论文摘要
动态纹理是在空间上具有重复性,在时间上具有连续性,无限性并符合一定统计特性的图像序列。很多自然界的现象,如流淌的河水,随风摆动的麦浪,或者飘动的旗帜等等,都具有态纹理的特征。对这些图像序列的分析、分割、识别、综合构成了动态纹理研究的主要内容。其中动态纹理识别技术在所有对动态纹理的研究中最具理论和实际意义。本文的研究工作主要集中在基于时间序列统计模型的动态纹理识别技术上,结合高效实用的识别算法,完成动态纹理的识别。无论是对动态纹理进行识别还是综合,都必须首先对动态纹理进行建模分析。由于采用的方法不同,对动态纹理的建模也有很多不同的方法。本文首先分析了其中最具代表性和实用性的线性动态系统LDS模型(Linear Dynamic SystemModel),该模型用线性的状态方程和输出方程描述一个动态纹理,具有一定的合理性,且算法简便,一经提出便在动态纹理识别、分割和综合等领域获得了广泛的应用。但由于LDS模型采用的是简单的线性维数约减策略,使得它在描述复杂的、或场景变化较大的动态纹理时显得捉襟见肘,因为这些复杂的图像流体通常表现出非线性。所以有必要采用一个非线性的降维方法来描述这类动态纹理。于是,本文在线性PCA的基础上,重点研究了非线性的核PCA(Kernel PCA),这种非线性的降维方法已在人脸识别,虹膜识别等领域获得了广泛的应用。本文使用Kernel PCA的方法为动态纹理建立自回归模型,得到了对动态纹理更为精确的描述。本文紧接着分析了一种传统的,基于AR模型之间Martin距离的动态纹理识别技术,Martin距离相比其他两种距离算法(KL距离和测地距离)而言具有计算量较小,识别率较高等优点。因此本文重点研究阐述基于Martin距离的动态纹理识别方法,并结合Kernel PCA,推导出在NLDS模型下的Martin距离算法,并通过MATLAB仿真了其识别性能。然后,本文研究了一种用于动态纹理识别的简便方法:基于模型状态变量脉冲响应的动态纹理识别算法。该方法与基于模型距离的方法相比具有计算简便,识别能力强等优点。在系统辨识领域,通过分析系统的脉冲响应来区分不同的系统是一种常用的手段。现将该方法用于动态纹理识别,实验证明同样可以获得较高的效率。但最初提出该方法时,作者Fujita采用LDS模型来描述动态纹理,由于采用的模型较为简单,致使识别的效果并非十分理想。因此,本文将该方法与Kernel PCA方法结合起来,提出了一种在计算复杂度和辨识效果上均较为理想的方法。仿真结果表明:这种方法与传统方法相比不仅计算量小,而且由于采用了更好的描述动态纹理的模型,使其识别率也有一定的提高。最后,针对脉冲响应算法忽视的动态纹理外表特征的缺陷,结合LBP算法,提出了自己的改进方案并通过仿真予以验证。