基于改進支持向量機的運動視頻內容分類算法研究

許淑賢

摘? 要： 針對現有運動視頻內容分類算法中使用支持向量機分類器難以提高分類精度問題，提出基于改進支持向量機的運動視頻內容分類算法。首先采用稀疏表示方法進行運動視頻內容去噪，在降低噪聲的同時去除無用靜止信息，將去噪后的運動視頻內容進行非重疊切分，采用主成分分析法提取運動視頻內容像素點特征描述項并建立特征向量空間;然后引入主動學習機制改進支持向量機分類器，使用改進的分類器建立特征向量空間與運動視頻類別之間的聯系。針對多類運動視頻內容分類問題，提出使用后驗概率計算改進的分類器對未標記樣本的置信度進行運動視頻樣本選取。實驗結果表明，所提算法與現行分類算法相比，具有更好的類別區分度。

關鍵詞： 運動視頻; 內容分類; 改進支持向量機; 內容特征提取; 主動學習; 實驗分析

中圖分類號： TN948.4?34; TP391? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）04?0127?03

Research on motion video content classification algorithm based on

improved support vector machine

XU Shuxian

（Guilin University of Technology， Guilin 541004， China）

Abstract： As the support vector machine classifier is difficult to improve the classification accuracy in the existing motion video content classification algorithm， a motion vector content classification algorithm based on improved support vector machine is proposed. The motion video content is de?noised by means of the sparse representation method， at the same time the unwanted static information is removed. The de?noised motion video content is divided into non?overlapping segments， the feature description items of pixels in the motion video content are extracted by means of the principal component analysis method， and the feature vector space is established. The support vector machine classifier is improved by introducing the active learning mechanism， and the improved classifier is used to establish the relation between the feature vector space and the motion video category. In allusion to the problem of multi?class motion video content classification， an improved classifier based on posterior probability calculation is proposed to select motion video samples with confidence of unlabeled samples. The experimental results show that， in comparison with the current classification algorithm， the proposed algorithm has better class discriminative degree.

Keywords： motion video; content classification; Improved support vector machine; content feature extraction; active learning; experiment analysis

0? 引? 言

在眾多領域的運動視頻分析中，視頻內容分類是研究的關鍵問題之一，其分類性能的好壞直接影響運動目標分析和移動軌跡跟蹤的精度[1]。移動場景中的任何肉眼難以察覺的運動都會體現在視頻圖像流的變化上，對運動視頻內容進行有效分類，就可以分析運動目標的運動特性[2]。運動視頻內容分類的首要目的是從運動視頻幀中獲取有用內容，濾除無用的噪聲及靜止信息，為接下來要進行的運動視頻內容分類奠定基礎[3]。對于如何有效分類運動視頻內容，國內很多學者進行了大量研究。文獻[4]所采用的運動視頻特征為含有顏色、編輯信息的多維特征向量;文獻[5]采用超過兩種以上特征，將運動視頻內容劃分為多個類型。這兩種算法均采用決策樹作為運動視頻內容的分類器。文獻[6]基于兩級編碼后的運動視頻內容時域、空域聯合深度特征，采用分層的支持向量機對運動視頻內容進行自動分類。

以上所描述的運動視頻內容分類算法使用的都是被動監督學習的方式，根據用戶事先標記的運動視頻訓練樣本來訓練分類器，之后對未知類別的運動視頻內容進行分類。這種方式需要有大量的訓練樣本做支撐，才能獲得較好的分類效果，費時費力。本文針對未知類別運動視頻內容，采用融合主動學習方式的改進支持向量機，對運動視頻內容進行分類。實驗結果表明，所提算法相比現存其他分類算法在運動視頻上具有更好的分類性能。

1? 基于稀疏表示的運動視頻內容去噪

依據稀疏表示理論可知，運動視頻中噪聲信息含有兩部分：一部分是運動視頻內容中的稀疏成分，代表運動視頻的結構信息;另一部分為運動視頻內容除稀疏成分外的部分，即無用噪聲信息，噪聲信息中不含有運動視頻幀的結構信息[7]。本文提出的基于稀疏表示的運動視頻內容去噪，依據運動視頻中的稀疏成分劃分結構信息、噪聲信息和無用的靜止信息，完成噪聲信息和無用的靜止信息的有效濾除。通過運動視頻內容的稀疏分解可獲得視頻內容的一種線性描述，即：

[f=k=0∞Rkf，gγkgγk] （1）

式中，[Rkf，gγk]表示運動視頻內容[Rkf]或內容殘差[Rkf]在相應原子[gγk]上的分量，對于含有噪聲的運動視頻內容[f]可描述如下：

[f=fs+fn]? ?（2）

式中：[fs]表示運動視頻中的有用信息即稀疏成分;[fn]表示視頻中的噪聲信息或無用靜止信息。

與以往視頻圖像去噪方式不同，本文提出的基于稀疏分解的運動視頻圖像去噪是根據所提取的稀疏成分重構運動視頻圖像，以此達到噪聲濾除的目的[8]。使用KSVD算法完成運動視頻圖像的自適應稀疏表示。KSVD算法可將超完備字典的訓練過程和優化過程相結合，使訓練獲得的超完備字典能夠更全面地描述運動視頻內容。

2? 運動視頻內容特征提取

將第1節去噪后的運動視頻內容進行非重疊切分，得到大小為[h×h]的不相重疊的小塊。采用主成分分析法提取切分后視頻片段中各個像素點[（i，j）]的特征構造特征向量[U（i，j）]。設定集合[（x，y）]表示視頻圖像塊[h×h]內像素點的坐標，經過上述操作后，可構建協方差矩陣：

[Σ=1M（ikd（x，y）-Γ）（ikd（x，y）-Γ）T] （3）

式中：

[Γ=1Mk=1Mikd（x，y）]? （4）

[T]表示矩陣轉置;[Γ]表示元素[id（x，y）]的均值向量，滿足[1≤k≤M]，[M=（H×W）（h×h）]。所描述的矩陣大小為[h2×h2]，且含有[r（r=h2）]個特征向量。

采用[Σ]可獲得運動視頻片段中像素點[（i，j）]的投影向量[U（i，j）]。設定[λl]表示[Σ]的第[l]個特征描述項，根據特征描述項大小進行排序，即[λ1≥λ2≥…≥λr]，這些特征描述項對應的特征向量可描述為[wi]，從中選擇[S（S≤r）]個特征向量可獲得：

[W（i，j）=[w1，w2，…，wS]]? （5）

將元素[id（x，y）]投影至特定的特征向量空間中，在此空間中經降維處理可獲得特征向量空間[W]。由于運動視頻內容中的每一個像素點[（i，j）]均可以向特征向量空間[U（i，j）]投影[9]，因此可以獲得該像素點在特征向量空間的投影向量，即構造空間像素點[（i，j）]維度為[S]的特征向量：

[U（i，j）=[u1，u2，…，uS]T] （6）

[uS=wTS（id（x，y）-Γ）]? （7）

主成分分析法構造的特征向量空間[W]與其相應的均值向量[Γ]均可以將空間內的每一個像素點映射至低維空間[10]。與其相應的[r-S]個特征向量被除去，致使高維空間結構與低維空間結構不同。當運動視頻幀受到噪聲影響時，視頻內容相應的特征描述項對應的特征向量通常與噪聲相關，將這部分數據去除可以達到濾除噪聲的效果。

3? 基于改進支持向量機的運動視頻內容分類算法

3.1? 支持向量機分類器

假設，線性可分的運動視頻內容樣本集合為[S={（xi，yi）i=1，2，…，n}]，其中[xi∈Rd]，[yi={+1，-1}]表示[xi]相應的類別標簽。[g（x）=w?x+b]表示[d]維特征空間中線性判別函數，其相應的分類面方程可描述為[w?x+b=0]，將判別函數[g（x）]標準化處理后可使不同類別的運動視頻樣本均滿足[g（x）≥1]，此時分類間隔等同于[2w]。可知，若使分類間隔面最大就等同于使[w]為最小。這就要求分類超平面對全部運動視頻樣本均能正確劃分，滿足：

[yi[（w?x）+b]-1≥0] （8）

滿足式（8）的條件的分類超平面即最優分類面。而兩類運動視頻內容中距離分類面較近的點且與最佳分類面[H1]，[H2]相平行的訓練樣本，即式（8）中等號成立的那些樣本，可將其描述為支持向量。最佳分類面問題可描述成在式（8）的約束下，求取目標函數[?（w）]的極小值問題。

[?（w）=12w2=12（w?w）] （9）

對于運動視頻內容線性不可分情況，引入松弛變量[ξi]以及懲罰因子[C]，將目標函數轉換為：

[?（w，ξi）=12（w?w）+Ci=1Nξi] （10）

引入拉格朗日乘子[（α1，α2，…，αN）]，可將式（10）變換為具有約束條件的求解最優分類面問題，所得解為[w=iαiyixi]，則運動視頻內容最佳分類函數可描述為：

[f（x）=sgn{（w?x）+b}=sgni=1Nαiyi（xi?x）+b] （11）

支持向量機本身為一個兩類的分類器，而本文所研究的運動視頻內容類別是未知的，可將其視為多分類問題。解決支持向量機多分類問題通常采用1?against?1，

1?against?rest，SVM決策樹法等方法，本文采用1?against?1方法構建多類分類器。

3.2? 融合主動學習機制的改進支持向量機

本文研究的一個[k]類運動視頻內容的分類問題，目的是估測各個運動視頻樣本[x]對應于第[i]類的后驗概率[pi]，首先計算運動視頻樣本成對的類概率估計：

[rij=p（y=iy=i 或 j，x）]? ?（12）

式中，[pi]可根據求解式（13）給出的優化問題獲得：

[minp12i=1kj≠i（rjipi-rijpj）2s.t. i=1Mpi=1，pi≥0]? ? （13）

記錄[pi]最大的[i]為[imax]，從其后驗概率角度分析，可將分類器對運動視頻樣本的置信度[Con]設定為：

[Con=pimax-max1≤i≤k，i≠imaxpi] （14）

通過上述過程，確定運動視頻樣本選取機制后，本文所提出的融合主動學習機制的改進支持向量機分類算法流程如下：

1） 初始化[n]，[N];

2） 依據初始條件構建運動視頻訓練樣本集合，確保不同類別的運動視頻至少有一個樣本;

3） 依據所構建的運動視頻訓練樣本集訓練融合主動學習機制的改進的支持向量機分類器[C];

4） 使用改進的支持向量機分類器[C]對剩余運動視頻樣本進行分類并預測其后驗概率，經過式（14）的計算，將置信度較低的[n]個運動視頻樣本提交給用戶，用戶對其進行標記。

5） 將用戶標記過的[n]個運動視頻樣本加入訓練集中，重復步驟3），假設當前運動視頻訓練集中的樣本數量大于[N]，則算法終止。

4? 實驗結果與分析

4.1? 實驗環境和實驗數據

為了驗證本文提出的基于改進支持向量機的運動視頻內容分類算法的綜合性能，在Windows Server 2012R2 Intel[?]XeonTM CPU E5?2650@2.30 GHz，with 32.0 GB of RAM環境下，采用Matlab 2014a編程平臺進行仿真實驗。實驗選取300 min的不同類別的運動視頻集，可劃分為517個運動視頻片段，如表1所示。對不同類別的運動視頻，隨機選取30個片段作為訓練樣本構建訓練樣本集合，剩余片段作為測試樣本集合。

4.2? 分類性能

本文提出的基于改進支持向量機的運動視頻內容分類算法中，各個分類器通過對100個正例和100個反例進行訓練后，對剩余運動視頻樣本構造測試樣本集。為了檢驗基于改進支持向量機的運動視頻內容分類算法的性能，選取常用的查全率（NR）和查準率（NC）來度量分類算法的性能。

[NR=NCNC+NM×100%]? ? ? ? ? （15）

[NP=NCNC+NF×100%] （16）

式中，[NC]，[NM]，[NF]分別表示運動視頻內容正確分類的個數、漏檢的個數以及誤檢的個數。依據式（15）、式（16）計算得到不同指標數據，如表2所示。

由表2可知，不同類別的運動視頻內容查全率和查準率均高于90%，平均可達到94%。這說明本文提出的基于改進支持向量機的運動視頻內容分類算法是有效的。進一步對誤判的運動視頻片段進行分析可知，很多誤判運動視頻內容都屬于觀眾、裁判這一類視頻內容構成的視頻片段。對這類視頻片段進行濾除，能夠進一步提高查全率和查準率。

5? 結? 語

運動視頻內容的分類可以幫助人們更快速、準確地對視頻內容進行管理和查詢。本文提出基于改進支持向量機的運動視頻內容分類算法。將主動學習策略融入到運動視頻內容分類中，并提出根據擬合后驗概率來計算支持向量機分類器，選取運動視頻樣本置信度樣本。這種融合主動學習策略的改進支持向量機可在不降低運動視頻內容分類精度情況下減少費時費力的人工標注。實驗結果表明，所提算法能夠有效地對運動視頻內容進行高精度分類。

參考文獻

[1] 潘丹，關衛軍.基于隱馬爾可夫模型的體育視頻分類方法[J].湘潭大學自然科學學報，2017，39（1）：73?77.

[2] 吳梓尚，林輝，孫華，等.基于MODIS影像的森林類型決策樹分類方法研究[J].中南林業科技大學學報，2017，37（9）：80?85.

[3] 肖艷芬，陶寶峰，張華麗.基于熱成像數據與FLD的體育運動分類方法[J].湘潭大學自然科學學報，2017，39（1）：91?94.

[4] 卞建勇，徐建閩.基于C4.5決策樹的視頻車輛車型分類算法[J].微電子學與計算機，2017，34（5）：104?109.

[5] 陳麗萍，孫玉軍.基于不同決策樹的面向對象林區遙感影像分類比較[J].應用生態學報，2018，29（12）：3995?4003.

[6] 智洪欣，于洪濤，李邵梅.基于時空域深度特征兩級編碼融合的視頻分類[J].計算機應用研究，2018，35（3）：926?929.

[7] 趙小強，張露.一種改進的數據挖掘模糊支持向量機分類算法[J].蘭州理工大學學報，2017，43（5）：94?99.

[8] 冷強奎，劉福德，秦玉平.一種基于混合二叉樹結構的多類支持向量機分類算法[J].計算機科學，2018，45（5）：220?223.

[9] 楊志民，王甜甜，邵元海.面向不均衡分類的隸屬度加權模糊支持向量機[J].計算機工程與應用，2018（2）：68?75.

[10] 邵元海，楊凱麗，劉明增，等.從支持向量機到非平行支持向量機[J].運籌學學報，2018，22（2）：55?65.