灰色关联分析和支持向量机的运动视频图像分类研究

孔祥魁

摘  要： 针对传统运动视频图像分类方法存在变化检测性能较差的问题，设计基于灰色关联分析和支持向量机的运动视频图像分类方法，通过决策降噪算法对运动视频图像进行降噪处理，将运动视频图像划分成一个3×3的滤波邻域窗口对其进行降噪，结合八邻域搜索方法与并行图像算法对运动视频图像的特征进行提取，获取运动视频图像特征区域的具体轮廓，针对运动视频图像特征区域的具体轮廓实施轮廓追踪，合并追踪轮廓时可能产生的多个记录序列表，基于灰色关联分析对运动视频图像特征的关联程度进行分析，并通过支持向量机对运动视频图像特征实施分类，从而实现运动视频图像的分类。为了证明该方法的变化检测性能更优越，将传统运动视频图像分类方法与该方法进行对比实验，实验结果证明该方法的变化检测性能优于传统方法。

关键词： 运动视频; 图像分类; 灰色关联分析; 支持向量机; 特征提取; 轮廓追踪

中图分类号： TN911.73?34; TP391               文献标识码： A                      文章编号： 1004?373X（2020）18?0128?04

Abstract： In allusion to the poor change detection performance of traditional moving video image classification methods， a moving video image classification method based on gray correlation analysis and support vector machine is designed. The moving video image is denoised by means of the decision?making denoising algorithm， and the moving video image is divided into a 3×3 filtering neighboring window for denoising. The feature of the moving video image is extracted by combing the eight neighborhood search method and the parallel image algorithm， and the specific contour of the feature area of moving video image is obtained. The contour tracking is carried out according to the specific contour of the feature area of moving video image， and the multiple record sequence tables that can be generated when tracing profiles together are combined. The correlation degree of the feature of moving video image is analyzed based on the gray correlation analysis， and the features of moving video image is classified by means of the support vector machine， so as to realize the classification of moving video image. The traditional moving video image classification method is compared with this method to prove that the change detection performance of this method is better. The experimental results show that the change detection performance of this method is better than that of the traditional method.

Keywords： moving video; image classification; gray correlation analysis; support vector machine; feature extraction; contour tracking

0  引  言

通过分析运动视频图像，能够对人体的运动特征进行识别与提取，包括对称特征、投影轮廓特征、步态特征、摆动肢体特征等。运动视频图像的出现对运动战术诊断以及运动技术诊断都有很重要的意义，可以提升反馈运动动作的时效性[1]。运动视频图像的各种处理技术在近年来可以说是层出不穷，其处理主要依托于计算机技术，是人工神经网络、模式识别、图形处理、图像处理、计算机视觉、机器人系统、可视化技术、辅助设计、虚拟现实、传感器等多个领域技术的有机融合。运动视频图像的处理主要包括检测运动目标与图像预处理、提取运动特征与运动视频图像识别分类这3个部分[2]。首先需要通过视频图像监控设备对运动视频图像的视频序列进行获取，对获取的视频序列实施图像分析与二值化处理等预处理操作，此时获取的人体运动图像处于较为清晰并且背景较为单一的状态[3]。接着根据相关规则对人体运动图像中的典型运动特征进行提取，并对提取的典型运动特征实施相关处理，以保障提取的特征与人体运动特征相关数据库中的对应特征模板达成数据类型的一致性[4]。最后对比人体运动特征相关数据库中的对应特征模板与待识别对象的具体运动特征以对其实施识别与分类。

在整个运动视频图像的处理过程中，运动视频图像的分类是处理难点，如何对运动视频图像实施准确的分类是当前运动视频图像处理中的研究热点[5]。因此针对传统运动视频图像分类方法的缺陷，提出一种基于灰色关联分析和支持向量机的运动视频图像分类方法。

1  基于灰色关联分析和支持向量机的运动视频图像分类方法

1.1  运动视频图像降噪处理

通过决策降噪算法对运动视频图像实施降噪处理，将运动视频图像划分成一个3×3的滤波邻域窗口对其进行降噪。首先对滤波邻域窗口中各个像素点的具体灰度值进行升序排列，排列顺序为从左往右[6]。接着对滤波邻域窗口对列升序排列，排列顺序为从上往下。最后以行与列的排序结果为依据，对对角线上各个像素点的具体灰度值进行对角升序排列[7]。整体排列过程如图1所示。

滤波邻域窗口的首个像素点所对应的具体灰度值就是最小领域值Pmin;最末像素点所对应的具体灰度值就是最大领域值Pmax;中心点所对应的具体灰度值就是中间领域值Pmed。当待处理的运动视频图像像素点[ui，j]满足：

则待处理的运动视频图像像素点的灰度值不变[8]。若不满足式（1），则该运动视频图像像素点可判定为噪声，利用其中值代替其灰度值完成运动视频图像的降噪处理。

1.2  运动视频图像特征提取

完成运动视频图像的降噪处理后，结合八邻域搜索方法与并行图像算法对运动视频图像的特征进行提取，主要分为3个步骤：

1） 获取运动视频图像特征区域的具体轮廓，此处采用并行图像算法，算法的具体实施如表1所示[9]。

首先将运动视频图像设为图a，有图区域用1来表示。对其实施非逻辑运算[10]获取图b。对图b进行移动，移动方式为右、左、下、上4个方向分别挪动单个像素点的距离，从而获取4个图像即為图c。对图c实施或逻辑运算获取图d。最后对图a和图d实施与逻辑运算获取图e中的运动视频图像边界。

2） 针对运动视频图像特征区域的具体轮廓实施轮廓追踪，主要通过八邻域搜索方法追踪特征区域的具体轮廓，并生成一个轮廓点的记录序列表，对轮廓点的具体坐标与八邻域中下一个区域轮廓点对应的位置编码进行记录。

3） 合并追踪轮廓时可能产生的多个记录序列表[11]。合并时需要以序列表内轮廓点的具体坐标为依据对是否存在相邻像素进行判断，从而合并轮廓特征点相同的序列。

1.3  实现运动视频图像分类

根据提取的运动视频图像特征，基于灰色关联分析和支持向量机实现运动视频图像的分类，基于灰色关联分析对运动视频图像特征的关联程度进行分析，并通过支持向量机对运动视频图像特征实施分类，从而实现运动视频图像的分类[12]。

在运动视频图像特征的分类中，首先需要通过网格搜索法对分类的参数进行优化，以实现运动视频图像的精确分类。搜索网格时，对支持向量机参量的具体搜索范围进行设定，然后选择搜索范围内参量的搜索步长。此时已经有2个参量相关值，坐标系内这2个参量相关值互为横纵轴从而构成二维网格。各网格的所有节点分别与支持向量机的一组参量相对应，利用交叉验证法能够对验证集的具体分类精度进行计算[13]。在空间中对各组参量实施标注后即可获取支持向量机的模型分类精度，然后通过线的连接获取一个精度预测的等高线对支持向量机的模型分类精度进行控制，根据分类精度来优化分类参数，确定参量值最佳组合[14]。当参数组合的识别率相同时，选择较小惩罚因子的组别，避免运动视频图像特征分类的过程中出现过学习情况，提升模型的分类泛化能力。根据参量值最佳组合对运动视频图像特征实施分类，分类过程如图2所示[15]。

2  实验研究与分析

2.1  设计对比实验

利用基于灰色关联分析和支持向量机的运动视频图像分类方法进行运动视频图像分类实验。实验运动视频图像样本的具体情况与特征如表2所示。

对表2中的实验运动视频图像样本进行运动视频图像分类。为了使结果更加公平有效，将传统运动视频图像分类方法与基于灰色关联分析和支持向量机的运动视频图像分类方法进行对比实验，传统运动视频图像分类方法包括基于特征值分布、基于分类逻辑的运动视频图像分类方法。通过对比实验比较各个运动视频图像分类方法的变化检测性能。变化检测性能的判断依据是变化检测曲线的范围，变化检测曲线的范围越大，则证明运动视频图像分类方法的变化检测性能越强;变化检测曲线的范围越小，则证明运动视频图像分类方法的变化检测性能越差。

2.2  实验结果分析

传统运动视频图像分类方法的变化检测性能具体如图3所示。

基于灰色关联分析和支持向量机的运动视频图像分类方法的变化检测性能具体如图4所示。

根据图3与图4的变化检测性能实验结果知，基于灰色关联分析和支持向量机的运动视频图像分类方法变化检测曲线的范围大于传统运动视频图像分类方法。即基于灰色关联分析和支持向量机的运动视频图像分类方法的变化检测性能优于传统方法。

3  结  语

在传统方法的基础上，本文设计基于灰色关联分析和支持向量机的运动视频图像分类方法。通过决策降噪算法对运动视频图像实施降噪处理，将运动视频图像划分成一个3×3的滤波邻域窗口对其进行降噪，结合八邻域搜索方法与并行图像算法对运动视频图像的特征进行提取，获取运动视频图像特征区域的具体轮廓，针对运动视频图像特征区域的具体轮廓实施轮廓追踪，合并追踪轮廓时可能产生的多个记录序列表。基于灰色关联分析对运动视频图像特征的关联程度进行分析，并通过支持向量机对运动视频图像特征实施分类，从而实现运动视频图像的分类。实验结果表明，本文可以对运动视频图像检测性能大幅度提升。

参考文献

[1] 邢远秀.基于梯度空间二值纹理化描述子的矿山井筒视频图像匹配[J].金屬矿山，2017（6）：137?142.

[2] 王传旭，姜成恒.基于ActionVLAD池化与分层深度学习网络的组群行为识别方法[J].数据采集与处理，2019，34（4）：585?593.

[3] 阳岳生，王冬丽，周彦.基于加权多实例学习的压缩感知目标跟踪[J].光学技术，2018，44（5）：525?530.

[4] 王丽燕，孙志强，周天，等.基于PIV图像处理法的管内低浓度液固两相流颗粒运动特性研究[J].工程热物理学报，2018，39（9）：1970?1978.

[5] 郑冰，赵阳，葛东林.农机快速导航系统设计：基于图像边缘检测和3D深度视频帧内编码[J].农机化研究，2018，40（5）：181?184.

[6] 杨昕，张可，任信信，等.呼吸运动对4D锥形束CT图像质量影响分析[J].中华放射肿瘤学杂志，2018，27（8）：763?768.

[7] 张冀，张艳容，陈娟，等.采用自动选择参照图校正肝超声造影图像呼吸运动[J].中国生物医学工程学报，2017，36（6）：670?677.

[8] 耿文波，姚遥.基于稀疏先验的运动模糊图像盲复原方法[J].电子测量与仪器学报，2018，32（8）：132?139.

[9] 陆维，陈家瑜，王龙，等.基于三维图像体积融合技术的青少年特发性脊柱侧凸脊柱在体运动特点研究[J].中华创伤骨科杂志，2017，19（4）：311?316.

[10] 马力，王永雄.基于稀疏化双线性卷积神经网络的细粒度图像分类[J].模式识别与人工智能，2019，32（4）：336?344.

[11] 禹素萍，顾晓雯，吴贇.基于图像分割的森林火灾早期烟检测算法研究[J].计算机工程与应用，2017，53（16）：166?171.

[12] 刘博，王胜正，赵建森，等.基于Darknet网络和YOLOv3算法的船舶跟踪识别[J].计算机应用，2019，39（6）：1663?1668.

[13] 吴敏，杨源，张园强，等.融合深度特征与梯度特征的红外目标跟踪算法[J].空军工程大学学报（自然科学版），2017，18（6）：76?82.

[14] 王俊岭，彭雯，蔡焱.深层次特征学习的Adaboost大规模图像分类算法[J].电视技术，2017，41（z4）：40?45.

[15] 李翌昕，邹亚君，马尽文.基于特征提取和机器学习的文档区块图像分类算法[J].信号处理，2019，35（5）：747?757.