论文研究-基于扩展格框架标注的视频事件多维关联规则挖掘方法.pdf

所需积分/C币:5 2019-07-22 23:26:22 1.31MB .PDF
收藏 收藏
举报

针对视频复杂运动事件进行了分析, 对用于自然语言处理的格语法理论进行了扩展, 增加时间格结构, 并采用扩展后的格框架对复杂事件进行了标注, 并将数据存储在数据立方体中, 最后采用MDFP-growth方法对多维概念格进行关联规则的挖掘。在实验部分, 对比了扩展后的格框架与扩展前原方法对复杂事件标注的结果, 并比较扩展了时间格后的四维数据〈PRED, Ag, T, Loc〉和扩展前三维数据〈PRED, Ag, Loc〉挖掘其关联规则中系统运行时间, 产生规则数对比结果及视频检测的准确率和召回率对比。实验证明, 提出的方法能更加准确地标注出复杂事件, 并具有更高的处理效率。
第10期 柯佳,等:基于扩展格框架标注的视烦事件多维关联規则挖掘方法 3135 某一已给定的语义概念进行其配价模式的抽取,其统计样式为 if( sEvent >sEvent, ign and s Event in sEvent d) FE then overlaps; end if TR尺00 if( sEventid>s Event )then contain: end if end if 其中:SC表示一个子事件, sEvent的格框架;FE为框架元 SEvent sEventy -+i SaFirsted sev ←---→→ before TR Saaftered serene 素,包括子事件集 SubEvent;中涉及到的各种参与者等语义概 sEvent'r +mcct 念;SC为语义念的知识即格属性,如港口,属性为方位格lo- over cation;TR为框架关系,框架关系包括框架与框架间的关系及 sEvent -+contain 其包含的框架元素之间的关系。在本文,FE和SC主要采用格 (a) 图1了事件时序逻辑定义 语法结构表示各框架元素及其属性格。如在某段海关港凵监 图1(a)中,当 sEvent= sEvent时,有状态 meantime 控系统中检测到的油轮偷窃事件为一个复杂事件,由一系列子 其中包含三种情况{ SaFirsted, SaAftered, equal l;图1(b)中,当 事件组成油轮驶进码头、靠港、卸(装)油、离港;小船驶进码 EvenL egin< sEven时,有四种状态 before、met, overlaps、 头、靠近汨轮、偷窃、离港。在汩轮停靠港口时发生的一系列子 contain 事件,每个子事件用一个框架结构表示,但是发现复杂事件框 在视频训练集中,在不同视频中时序逻辑中的这五种时序 架的嵌套结构中,不能体现视频了事件之间的关联关系。目前 关系有不同的重要程度。如在偷窃事件中, meantime、 equal 所定义的框架间关系有继承、总分、参照、透视、起始使用、致 contain时序显著;在篮球比赛视频中,防守和进攻事件甲 使和先后关系。在对子事件间关联关系分析中发现,由于视频 的时序特性,子事件之间在在着时间依赖关系;在对视频事件关系都时有发生。因此在格框架结构中,增加一个时何格T 分析中发现,多个子事件之间存在某种依赖关系,如上例中小 time,以表小子事件之间的时问关系。 船偷窃子事件一般发生在油轮卸(装)子事件的同时,或卸2.32空间关联性 油之前,或装油之后。因此在配件模式中,框架关系TR主要 表示子事件之间的时间关系,即在时序关系上子事件之间的关 根据祧频了事件自身的吋空特性发现,在监控系统对于运 动对象物体出现在敏感区域与否,关系到事件的发生与否,在 联关系。同时,子事件出现的次数也关系着视频事件的重要程 放感区域内运动或停留也关系到子事件发生的性质。在本文 度,上式中内层括号外的0表示为该子事件在复杂事件集中出 硏究的视频监控系统中,具体到某一港口管理员绘制的岸线及 现次数为0,n表示出现次数为n上式中外层括号表示的是 其敏感区域范围內出现的船只将被重点监控。硏究发现,异常 在视频集中统计多个复杂事件的框架出现次数。0表示为该 事件通常都发生在所绘制的范围内。因此,本文将处所格Loe 综合事件在视频集出现次数为0,n表示出现次数为n。 为了更加准确地描述出子事件之间的时间关联关系,可对也作 也作为关联性分析的依据之 2.3.3运动对象动作(谓词格)与子事件的关联性分析 ∫事件的格框架嵌套结构进一步改进为可以表示∫事件之间 运动对象是子事件中主要的语义元素。研究发现,在子事 时序关联关系的嵌套格框架结构。 件集中存在偶发无效子事件。例如:无实际运动目的的运动对 2.3扩展格框架中子事件关联性分析 象的出现,如飞鸟飞翔、天空白云飘动;又或者是路过船只航 2.3.1刑间关联性分析 行,如船只绎过港口周围区域,并没有停靠港口,或偷窃,或停 视频复杂运动事件包含多个了事件,了事件之间具有时间靠油轮旁,为路过船只。相反,对于常出现在监控镜头中,在港 关联特性,如小偷会在行人购物或打电话时进行偷窃,小船会口附件岀现频率高的船只的运动将引起监控系统注意。囚此, 在油轮装载货物时偷油,篮球运动员会在对方运球过程中截球对运动对象动作,即格语法框架中的谓词格有必要进行分析。 等。本文参照文献[13中提到的包含时序参数的时序逻辑定 本文结合了事件时间特性,对了事件中的时间格、处所格 义提出子事件 s Event与sEt之间的五种时序关系(图谓词格和施事格采用多维概念格关联规则挖掘方法行分析,以 1)。 meantime:{ Safirsted, SaAftered,equl, before,met,oer期找到其关联关系规则。 , contain。令复杂事件记为 cEvent、 sEvent和 s Event分别 为事件 cEvent,中的第p个和第q个子事件。 sEvent为子事3多维概念格关联规则挖掘子事件关联关系 件 sEvent2的开始时间,Eent为子事件 sEvent,的结束时间 关联规则挖掘算法用于挖掘大型事务数据库中项之间的 sEvent和 sEvent,n的时序逻辑定义如下 关系,关联规则( association rules)的挖掘是数据挖掘中的一个 a) if sEvent gn =sEvent, gn)then 重要问题,其中最著名的是 Apriori和FP-ure算法。关联规则 if(sEvent in seventia)then SaFirstEd end if 根据属性的个数分为一维与多维,其中多维关联规则已用于挖 sEvent i )then SaAfterEd end if 掘交通事故、中药配比网络流量分析等研究中,单维关联规 veiLEd if (sEven i =sEvenlio )then equal dif 只涉及数据的一个维度。本文使用数据立方体以存储多维格 语法谓词数据,并在其上采用基于FP- growth方法米挖掘子事 b)if(sEvent rgin < sEvent egin )then//and vice versa 件的多维关联规则关系。基于数据立方体的多维关联规则的 if(sEvent sEvent )then before endif 发现主要有两个阶段。第一阶段找岀所有高支持度的频繁谓 if(sEverin=sEven gn)then Eel; endin 词集;第二阶段是在频繁谓词集中找岀高可信度的规则。第」 3136· 计算机应用研究 第30卷 阶段消耗的计算时间占整个算法执行时间的主要部分1。 f)将 MDFP-tree中节点i的文持度记为s,令β=iUα, 在夲文选择四维关联规则的形式以发现子事件间关联性x等于a,的支持度; 关系,这四维依次为谓词格、施事格、时间格和处所格,记为 g)构造β的条件模式基,令条件模式基最大长度为k,则β 〈PRED,Ag,T,Lc),多维关联规则表示从中进行关联性挖掘,的 FP-lree记为MDFP-tree;i用 MDFP growth( MDFP-Lree,)。 得到了事件关联规则。 4实验分析 3.1构造多维 FP-tree 在本文,设是项集合,其中I={1〈PRED,Ag,T,Lc),4.1获取视频子事件 PRED,Ag,7,Ioe)}2,…,(PRED,Ag,T,D)h;A→B为 根据2.1节中提到的事件建模方法,可获得图2所示的视 关联规则,其中AC1,C1,A∩n=。在频繁项挖掘过程中,频子事分割结果。图2(a)与(b)为油轮靠港的两帽相邻的 采用数据立方体结构,存储多维数据立方体的方格中记录的视频关键帧,帧中还有其他的运动物体,如桥起重机靠近油轮, 是对应维成员的频繁度量值,记为 Sup count,表示对应的维船1向油轮的石上方驶进,册2和3向下方驶进,船4向右下 度。在数据仓库中,数据立方体是n维的,可以把任意n维数方驶进;图2(c)为改进的混合高斯模型的处理结果之后,用最 据立方体看成是n-1维数据立方体的序列。数据立方体是多小边界矩形方法(蓝色标注出的运动对象,详见电子版。 维数据存储的一种比喻,它可以是n维。 获得频繁k-谓词烙集如下: 输人:n维数据立方体Cule(d1,…,d1| Sup_Coul,),最小 支持皮min_sup 输出:n维频繁谓词格集。 (bi a)通过扫描每一维d1的维成员集合,产生所有的频繁1- 图2改进的混合高斯模型检测运动物体 谓词格集及其支持数,并按其支持数降序排列插入到 header 本文选择了某艘有偷窃趋势的小船boat2来分析。图3 tale。对频繁1-谓词格集按支持度计数降序排列,结果为频繁 a)为boat,在事件 cEvent,中的运动轨迹;图3(b)为分割结 谓词列表 果,分别用五种不同颜色(蓝色、绿色、红色、黄色和紫色)标注 h)创建MDFP-re的根节点rot,标记为m,对事务集 出五个子事件:船只进港( sEvent= put into port)、前进(sven (a)去掉所有不频繁项,频繁项按 header table中的次序重t= slowdown)、靠近油轮( sEvent= close to oil tanker)a'em 进行第二遍扫描。对于事务集Tr中的每个事务作如下处埋: t2= move on)、靠港( sEvent= close to port)、减速前进(sven 新排列,设排列后的结果为[pP],其中p是谓词格PRED,而 P是剩余成员的列表。 (b)调用 insert tree(p|P],Tr)。该过程执行如下:如果 7有子女N使得A. Item CP,则N的计数增加1,否则创建 个新节点N,将其名称iem设置为P,将Sup_Coum设置为1, 140 由 parent链接到它的父节点T,并通过节点链 node-link将其 50 链接到具有相同名item的节点。如果P非空,递归调用 Insert 图3hoa的运动轨迹分割 MDTree(P,N)。 4.2在格框架中配价模式下子事件的标注结果 函数 insert mitre([pP], MDFP-tree定义为 采用格框架标注出复杂运动事件,在该事件中包含多个 if mdfP-tree不为室then 子事件语义概念:当油轮(tank)靠港(dok)时,桥起重机靠近 a)取lis,中的第一项R 泊轮接驳口,船1向油轮的右上方驶进,船2和3向下方驶进 b) if mdfp-ee的某个子节点是 R then r. Sup_count=R 船4向右下方驶进的复杂事件的子事件集可以表示为 i PRE.D: d e PRED: move, Ag: br 创建个新节点R; b)R Sup c PRED: sail, As (c)其父节点指针指向 MDFP-tree,其节点链node-link将 i PRED; sail, Ag: boal,, Iae Ic_hollon/ 其链接到具有相同名iem的节点; 1 PRED: sail, Ag: boat,, Loc: to bottom c)insert_ MDTree(LpIP, MDFP-tree i PRE.D: sail, Ag: boal, Ioe: lower__righl I 32 MDFP-growth过程 其中,船2进入港口子事件的框架元素及格属性可表小为 i PRED: inPort,Ag:o2,Loe:port},包含五个二级子事件,包括 MDFP-growth( MDFP-tree, a 船2驶向港口、前进、接近入港口、减速、移动靠近汩轮,可表 a) if mdfp-tee中仅有一条路径P,则 为 b)for将β中所有节点都加到路径P中,转c);否则f); i PRED: in Port, Ag: boat, Loc: to_port c)生成B∪α作为权值频繁候选集; i PRED: move On, Ag: boat,, Loc: to-port d)令支持度计数x=B中节点支持数的最小值记为s PRED: closeTo, Ag: boat,, Loc: close_to_port e)若x≥mins唧p,则β∪Ja是频繁项,结束; I PRED: slowD wl, Ag: Ixlal2, Lac: orli 第10期 柯佳,等:基于扩展格框架标注的视烦事件多维关联規则挖掘方法 3137 A PRED: close To Tank, Ag: boat,, Loc: oil_tank 攴持度小于最小攴持度min_s叩p,则系统过滤了船13、4的子 在以上格框架标注中表示出了一个复杂运动事件中包含事件框架。复杂事件可以表示为 的多个子事件语义概念,并从中选择了一个子事件进行二级标 i PRED: dock, Ag: tank, Loc: port, T: before 注,但是研究发现柜架结构虽然可以嵌套表小多级子事件,但 i PRED: move, Ag: bridge_ crane, 0: tank, S: crane_arm_origin, Loc 未能显示出子事件之间的关联关系,因此将扩展的格框架结构"m- lank e: lion,r: meall iIne 对上述事件进行重新标注。 I PRED: sail, Ag: boat,, Loc: to bottom 4.3带有时间桦的扩展格框架标注多级子事件 图5为生成的关联规则示意图。如图在窗口左侧产生规 则中选取项PRED,可在右上方显示出与之具有强关联关系 将2.3.1节中的时序逻加入到格框架结构中进行扩展,的概念格分别为PRED、Ag、T、01,即包含这四个格的子事 重新标注上述复杂事件,可得到: 件框架所代表的子事件为PRED表示的子事件的关联事件 i PRED: dock, Ag: tank, Loc: port, T: before 右下方显小出事务集中对应项的编号。 I PRED: move, Ay: bridge_crare, O: lank, s:crane_ arnl_originl, Loo to tank connection. T. meantime I PRED: sail, Ag: boatI, Loc: top _right, T: overlaps i PRED: sail, Ag: boat,, Loc: to_bottom, T: meantime i PRED: sail, Ag: boat,, Loc: to_bottom, T: meantime PRED: sail, Ag: boat, Loc: lower_right: 933 I 如例所示,在油轮靠港之后,桥起重机才可作业,与此同时 有四艘船只在各自运动。其中在桥起重机作业的同时,船1在 图4构造多维FP-tree图5挖掘多维语义概念格关联规则 监控区域右上方持续航行,船2和3向监控区域下方航行,船 如此,系统即可过滤非强关联子事件,提高系统运行效率。 4向监控区域右下方航行。再分析该复杂事件中船2的子事采用 MDIP-growth方法对在格框架标注的事件集中扩展了时 件框架,其包含的五个二级子事件可以表示为 格后的四维数据(PRED,Ag,T,Lc)和扩展前三维数据 PRED: inPort, Ag: boat,, Loc: to_port, T: overlap 〈PRED,Ag,Loc)挖掘其关联规则中系统运行时间及规则教进 PRED: moveOn, Ag: boat, Loc: to_port T: after: 行对比,其中前者记为 Ecase_Fp Crowth,后者记为 Case_Fp i PRED: closcTo, Ag: boat,, Loc: closc_to_port, T: after Growth图6为运行时间对比结果,可以看出 Ecase_FpGrowth PRED: slowDown, Ag: boat, Loc: port, T: overlap 比Case_ FpGrowth的系统运行时间长,原囚是计算时间格维度 i PRED: closcToTank, Ag: boat,, Loc: oil-tank!!II 比未增加前的计算时问耗时多。图7为规则数对比结果, 可知,船2连续运动,其前进、接近入港口减速、移动靠近 Ecase_ FpGrowlh比 Case FpGrowlh产生的规则数少,原因是扩 油轮的时序关系,依次表示为 overlap、 after after、 overlap。时间展了吋间格后,根据∫事件之间的吋序关系有效过滤了非频繁 属性是视频信息的特有属性,由上例可知,扩展后的格框架能子事件,保留频繁子事件,产生的关联规则间的关联性更强 更准确地体现子事件之间的时间关系。 12.00 0, 10 4.4多维概念格关联规则挖掘子事件关系 本文选择的实验集为从镇江海关监控系统中采集的监控 三6.001 视频集( customs monitoring video set,CⅥV),使用 Visual j NIT,其中 Tree view类构建实现ⅥDP-tee。本文定义∫四种 2.00 维度:谓词格、施事格、时间格和处所格,以发现子事件间关联 C102030405060 0102030405060 min sup min_sup 性关系。数据的形式记为〈PRED,Ag,T,L)。在四种维 图6运行时间对比 图7规则数对比 度中 同时,本文还诜取了镇江市地方海事局长江航道视频监控 a)谓词格(PRED)维度,包含sail、 in port、 move On、slow-系统数据集( Yangtze river video set,YRv)和 CAVIAR数据 Down、 closeto、work、dock七个级别,依次表示为航行、进港、前集进行扩展格框架方法的标注和关联性分析。图8为视频检 行减速、靠近、作业、停泊。 索演示界面,其演示了在 CAVIAR数据库中搜索 shopper吗g事 b施事格(Ag)维度,包含视频集中的运动对象 件,可输入PRDT、ac中任一信息作为关键词搜索祝频;搜 c)时间格(T)维度,包含上文所定义的五个级别:mean-索结果在显示视频的同吋,将其格语法标注信息同吋显示在窗 time、 contain、 overlaps、meet、 before 口右面。在界面窗口的下方显示为,经过多维关联规则挖掘 d)处所格(Ioc)维度,由于研究的事件大多发生在港凵后,得到的可按上述关键词排序的推荐视频结果,窗凵所显示 内,因此处所格主要包含ipot、 outport、 tank三个级别,依次的为按照PRED排序的搜索结果。 表示为港内、港外、汨轮一侧。 表1为实验视频集详细信息。其中,本系统对CMV中的 如图4所小,在视频事件事务集中选取100项记录,其中码头油轮装(卸)载复杂事件,YRV在某航道中的多船只航行 包含11个不同的运动对象,即施事格维度包含级别为11。在复杂事件,在 CAVIAR中选择了26个行人购物事件和4个多 mins邛p-20%, min cof-35%吋产生的频繁项集和 MDFP-tree人次争执事件等复杂事件进行分析处理。在CMV中主要选取 依次产生于界面的中部和右部。同时,可以过滤不具有强关联了五个典型事件,在YRV中选取了五个典型事件,在 CAVIAR 关系的概念格,即过滤掉与之对应的子事件框架。如4.3节复中则选取了购物和争执事件进行了实验。其中,选择了80% 杂事件中,由于船1、34为路过船只,其子事件在事务集中的的数据作为训练集,20%的数据作为实验集。为了通过训练建 3138· 计算机应用研究 第30卷 立各个典型事件的模型,本文通过视频剪辑分别为每个事件制ping2)和4个争执事件,记为 fighting作为典型事件进行比较 作了相应的训练视频,详细信息如表2所示。 分析,各训练事件详细信息如表3所示。将本文提出的方法 Ecase_ FpGrowth与传统方法 Case_Fp Growth进行了对比,两者 在上述事件中的准确率和召回率分别如表4所示。 表3各事件训练视频的详细信息 視须臬名称事件编号总帧数事件数量子事件数量 C Event2 1625 142 CMV C Event 42316 YRV Y Event3 6749 AVIAR 2394 表4 Ecase_ FpGruwIh和Cs_ FPGITwIl方法的准确率及召回率比较 图8视频检索过程演示 视频集名称事件编号 Erase- FpGrowth Case_FpGruwlh 表1实验视频集的详细信息 precision recall recall C Event2 视频集名称所含视频数总帧数事件数 子事件效 CMV C Event 0.93 0.81 90548 Y Event3 0.ge 0 YRV 45822 she U.8 0 0.8l CAVIAR CAVIAR 37267 87 179 fighting 0.85 0.83 表2各视叛集中事什描述信息 如表4所示,本文提出的方法在所选择的测试事件集中进 视频集名称事件绲号 事件描述 行视频检测的准确率及召回率都明显高于扩展前的格语法框 C Yentl 油轮靠港,油,停止作业 架对视频事件的标注结果。原因是本文方法采用了扩展后的 CMV C_Event2船只靠近油轮,船只停靠油轮,开始偷油,停上作业格框架的标注结果,并进行了多维慨念的关联关系规则挖掘之 C_ Event3桥起重机开始移动,移动至油轮上方,停止移动 后,更易过滤掉时问关联性低的视频事件,而保留下高关联度 C Event 船只靠近油轮,检查,船只停留油轮侧方 的事件信息,从而提高了视频检测的准确率及召回率 Y Ever 采砂船航行,停航,继续行驶 采砂船航行,停航,开始作业 5结束语 Y_ Event3禾砂船航行,停航,小船靠近,接驳,采砂船继续航行 Y Event 4 多只船只正常航行 木文釆用原用于自然语言处理的格语法理论进行扩展,增 Y Events 多船只航行,某船停航,航道拥堵 加时间格结构,并采用扩展后的格框架对视频复杂事件进行标 shopping有人走人嫈层长啷,进唁,购物,出店,继续行走 shopping2行走,聊天,进店,出,有人加人,聊天,再次进店 注。为了发现视频事件之间的关联关系,将标注数据存储在数 行走,聊天,分别,某人进店,其他人继续行走 据立方体中,用 FP-growth方法对多维概念语义格进行关联关 hopping 行走,店门停留,继续行走 系规则的挖掘。在实验部分,诜取了镇江海关监控系统中的视 CAVIAR shopping 多人在长廊行走,部分人进店 频集进行事件检测和标注,对比了扩展后的格框架与原方法对 fighting 两人见面,争扶,各自走 复杂事件标注的结果,并对比了Ecae_ FpGrowth和 Case_Fp 两人见面,争执,一人坐地,一人站立,离开 Growth对多维概念语义格进行挖掘的效果。实验证明,木文提 fich 两人见面,争执,谈话 出的方法能吏加准确地标注出复杂事件,并具有更高的处理 为了客观地评价本文方法的合理性和有效性,选取准确率效率。 与召回率两个指标作为衡量标准,定义如下 参考文献 真正( true positive,TP),定义为被分类模型正确预测的正1 GIANLUIGI C, RAIMONDO S. An innovative algorithm for key frame 样本数 extraction on video summarization J]. Joumal of Real-time Image 假正( false positive,F),定义为被分类模型错误预测为正 Processing,2006,1(2):69-88. 类的负样本数 [2 PERSE M, KRISTAN M, KOVAC S, et aL. A trajectory-based analysis 真负( true negative,TN),定义为被分类模型正确预测的负 of coordinated team activity in a basketball game 1]. Computer Vi 样本数。 Understanding, 2009, 113(5): 612-621 假负( false negative,FN),矩义为被分类模型錯误预测为3]王硗峰,张大鹏,王绯,等,基于诌义執迹的视频亨件探测[J].计 负类的正样本数。 算杌学报,2010,33(10):1845-1858 准确率 precIsIon的计算公式如下: [41 CHEN Liang-hua, LAI Yu-chun, LIAO Hong- yuan. Movie scene seg merlalionI using hatkgrour informalion[J_. Pattern Recognition precislon-TP+FP 2008,41(3);1056-1065 召回率 recall.的计算式如下 [5 D'ORAZIOT, LFO M, SPAGNOLO P, el al. A visual systern for real time detection of goal events during soccer matches[J]. Computer Tp +N Vision and Image Understanding, 2009, 113(5 ): 622-632 在实验过程中,分别选取了CMV中的偷油事件(C-[6]MNJ, KASTURI R, CAMPS C, Extraction and temporal segmentation Event2)和小船靠近油轮事件(C_Even4),YRⅤ中的小船接驳 of multiple motion trajectories in human motion[ J]. Image and vi 事件( Y Event3)以及 CAVIAR中的多人参与购物事件(shop- sion Computing,2008,26(12):1621-1635.(下转第3154页) 3154· 计算机应用研究 第30卷 与 Radarsat2全板化图像类似, ALOS-PALSAR全极化图参考文献: 像的滤波结果同样能够证明本文所提出的滤波方法的有效性。[1: NOVAK L M, BRUL M C. Optimal spceklc rcduction in polarimetric 图5(a)给出了整景图像的 Pauli分解图;(b)给出了(a)中的 SAR imagery[ J]. IEEE Trans on Aerospace and Electronic Sys- 白色矩形区域所对应的局部切片的 Pauli分解图;(c)和(d)给 tems,1990,26(2):293-305. 出了算法改进前后的滤波结果图。显然,图5(d)的滤波结果[21 LEE JS, GRUNES M R, MANGOS A. Speckle reduction in multipo 的边缘保持效果更好。 lari. al ion andd multifrequeney SAR imagery[ J]. IEEE Trans on Geo science and Remote Sensing, 1991, 29(4): 535-544 [3. GOZE S, LOPES A. A MMSE speckle filler for full resolulion SAR Po- arimctric data[ J] Journal of Electromagnetic Waves and Appli cation,1993,7(5):717-737 [4 LEE JS, WEN J H, AINSWORTH T L, et al. Polarimetric SAR speck le filt and its terrain classification J]. IEEE TI )文献7的 Geoscience and Remote Sensing, 2008, 47(1): 202-213 (a)整景图像的b)局部切片的 d)本文的 Pauli分解图 滤波结果 5 LEE J S. Digital image smoothing and the sigma filter[ J]. Computer 图4 Radarsat-2图像的滤波结果对比 Vision, Graphics, and Image Processing, 1983, 24(2): 25.5-269 [6 LEE J S, GRUNES M R, D spcc g J].IEEE Tra Geoscience and Remote Sensing, 1999, 37(5): 23 [7 LEE JS, GRUNES M R, SCHULER D L, et al. Scattering-model-based 0整景图像的 Pauli分解图 filtering of polarielrie SAR dal[J. IEEE Trans an Geoscience Remote Sensing, 2006, 44(1) [8 LEE JS, GRUNES M R, POTTIER E, et al. Ur sification preserving polarimetric scattering characteristics[J].IEEE Trans on Geoscience and Remote Sensing, 2004, 42(4): 72 (b)局部切片的 c)文献[门的 (d本文的 Pauli介解图 滤波结果 滤波结果 图5AIOS- PALSAR图像的滤波结果对比 [91 FREEMAN A, DURDEN S L A three-component scattering model for larimetric Sar data[ J]. IEEE Trans on Geoscience and Re 通过上述实验可以证明,本文提出的滤波方法能够更加有 ote Sensing,1998,36(3):963-973 效地保持极化SAR数据的板化散射特征,特别是对于那些包[0 YAMAGUCHI Y, MORIYAMA T, ISHIDO M,eat. Tour component 含有定向角不为零度的建筑物的城镇区域的地物图像而言,木 scattering model for polarimetric SAR image decomposition[ J 文所提出的方法更加有效 Trans on Geoscience and Remote Sensing, 2005, 43 (8) 1706 4结束语 [11 SHAN Zi-li, WANG Chao, ZHANG Hong, et al. Improved four-compo- nent model-based target decomposition for polarimetric SAR images 本文提出了一种改进的能够保持极化散射特征的伋化 [J. IEEE Geoscience and Remote Sensing Letters, 2012, 9 SAR图像滤波算法,该算法中使用了基于定向角补偿技术、新 (1):75-7 的体散射模型以及功率限制条件的增强四分量分解方法来优[12] AN Wel+m,CYi, YANG Jiar.Tnre del-lased 化滤波窗口内的像素选择过程,从而获取了较原有算法更加理 decomposition for polarimetric SAR data[ J]. IEEE Trans on 想的滤波结果。 Geoscience and Remote Sensing, 2010, 48(6): 2732-2739 (上接第3138页) [11 JU Shi-guang, CHEN Xiao-jun, XU Guang-hua. An improved mixture [7 LAl J H, CHEN C L, KAOC C, et al. Tennis vidco 2.0: a new prcscn- Gaussian models to detect moving object under rcal-time complc ation of sports videos with content separation and rendering[ J]. Jour background[ C]//Proc of International Conference on Cyberworlds nal of Visual Communication and Image Representation, 2011 2008:730-734 22(3):271-283 [12 MELENDEZ J, PIUG D, GARCIA M A. Multi-lcvel pixcl-bascd tc [8 HOSSEINI M S, EFTEKHARI-MOGHADAM A M. Fuzzy rule-based ture classification through efficient prototype selection via normalized reasoning apprvach fur evenl detection and annDlalioll of broadcast cul [J. Pattem Recognition, 2010, 43(12): 4113-4123 soccer vidco[ J]. Applied Soft Computing, 2013, 13(2): 846- 13 ALLEN J F, FERGUSON G. Actions and events in interval tcmpors logic[ J] Journal of Logic Computation, 1994, 4(5): 531-579 [9 IIAKEEM A, SIlAll M. Learining, detection and representation of [14 IIUANG Zheng-xing, LU Xu-dong, DUAN Ilui-long Mining associa- multi-agcnt cvcnts in videos[ J]. Artificial Intelligence, 2007, 171(8 tion rulcs to support resource allocation in busincss proccss manage 9):586-605 ment[ J]. Expert Systems with Applications, 2011, 38(8): 9483 [10 FILLMORE, CHARLES I. ATKINS B TS. Towards a frame-based 9490 lexicon: the semantics of RISK and its neighbors[ Cl//Proc of Nobel 15] CAVIAR: context aware vision using image-based active recognition mposium on Corpus Linguistics. 1992: 35-66 Leb/Ol].http://homepages.inf.ed.ac.uk/rbf/caviardatal/

...展开详情
试读 7P 论文研究-基于扩展格框架标注的视频事件多维关联规则挖掘方法.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
    抢沙发
    一个资源只可评论一次,评论内容不能少于5个字
    img

    关注 私信 TA的资源

    上传资源赚积分,得勋章
    最新推荐
    论文研究-基于扩展格框架标注的视频事件多维关联规则挖掘方法.pdf 5积分/C币 立即下载
    1/7
    论文研究-基于扩展格框架标注的视频事件多维关联规则挖掘方法.pdf第1页
    论文研究-基于扩展格框架标注的视频事件多维关联规则挖掘方法.pdf第2页
    论文研究-基于扩展格框架标注的视频事件多维关联规则挖掘方法.pdf第3页

    试读已结束,剩余4页未读...

    5积分/C币 立即下载 >