網(wǎng)絡(luò)環(huán)境下大規(guī)模圖像與視頻數(shù)據(jù)高效處理的方法
【專利摘要】一種網(wǎng)絡(luò)環(huán)境下大規(guī)模圖像與視頻高效數(shù)據(jù)處理的方法，包括一下步驟分析采集的海量圖像或視頻序列的數(shù)據(jù)特征，提出有效的大規(guī)模數(shù)據(jù)約簡方法；提出特征圖像聚類方法、模糊分類方法，實施海量圖像的分類；利用圖像或數(shù)據(jù)特征對圖像進行編碼、表示、分類，對圖像進行壓縮處理，實施數(shù)據(jù)建模和傳輸；提取網(wǎng)絡(luò)環(huán)境下目標的多維有效特征參數(shù)。本發(fā)明為提高信息處理實時性和準確性提供一種思路方法，對不確定條件下的信息處理提供有價值的參考，具有重要的理論借鑒和現(xiàn)實意義。本發(fā)明能節(jié)約資源、降低開支、減少不必要的損壞或損傷等，將對軍事、民事、公安系統(tǒng)、道路交通等所有基于視頻系統(tǒng)的目標識別與跟蹤的發(fā)展起到重要的借鑒和參考作用。
【專利說明】網(wǎng)絡(luò)環(huán)境下大規(guī)模圖像與視頻數(shù)據(jù)高效處理的方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像信息處理【技術(shù)領(lǐng)域】，具體涉及一種網(wǎng)絡(luò)環(huán)境下大規(guī)模圖像與視頻 數(shù)據(jù)高效處理的方法。

【背景技術(shù)】
[0002] 近年來，隨著各種成像技術(shù)的完善，以及相應(yīng)的數(shù)據(jù)收集能力的持續(xù)增加，獲得 了越來越多的變化數(shù)據(jù)，當海量的模糊圖像應(yīng)用于軍事目標的監(jiān)測時，當收集的大規(guī)模的 圖像數(shù)據(jù)應(yīng)用于實際目標的監(jiān)測時，應(yīng)用傳統(tǒng)的圖像判讀方式已經(jīng)不能滿足信息獲取的實 際需求，迫切需要開展大規(guī)模圖像特征自動提取的研究。
[0003] 在有些場合如紅外制導(dǎo)中，需要能夠盡快地截獲并鎖定跟蹤目標。那么實施大規(guī) 模圖像與視頻數(shù)據(jù)的高效處理，對在軍事、民事等各個領(lǐng)域的應(yīng)用顯得越來越重要，也越來 越急迫。
[0004] 目前對網(wǎng)絡(luò)環(huán)境下大規(guī)模航空圖像的快速、準確的篩選、有效數(shù)據(jù)的存儲、傳輸和 提取等問題的處理缺乏解決方法，這些問題已成為圖像處理領(lǐng)域的一個熱點問題，這也是 現(xiàn)在許多部門棘手且亟待解決的問題。
[0005] 但目前對大規(guī)模圖像特征的多維參數(shù)提取問題的處理缺乏解決方法，這也是現(xiàn)在 許多部門棘手且亟待解決的問題。由此，多維參數(shù)提取工作已變得越來越重要也越來越困 難。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明要解決的技術(shù)問題是提供一種網(wǎng)絡(luò)環(huán)境下大規(guī)模圖像與視頻數(shù)據(jù)高效處 理的方法，為提高信息處理實時性和準確性提供一種思路，對不確定條件下的信息處理具 有重要的理論借鑒和現(xiàn)實意義，有助于目標識別與圖像處理人員了解檢測目標的運動規(guī) 律、活躍程度及其對其他目標的影響，從而給出相應(yīng)的決策，尋求抑制或消除不良因素對其 或其他重要目標的影響都是非常必要的；對軍事、民事、公安系統(tǒng)、道路交通等所有基于視 頻系統(tǒng)的目標識別與跟蹤的發(fā)展起到重要的借鑒和參考作用。
[0007] 為了達到上述目的，本發(fā)明的技術(shù)方案是：一種網(wǎng)絡(luò)環(huán)境下大規(guī)模圖像與視頻數(shù) 據(jù)高效處理方法，其步驟包括：
[0008] 步驟一，分析采集的海量圖像或視頻序列的數(shù)據(jù)特征，提出有效的大規(guī)模數(shù)據(jù)約 簡方法；
[0009] 步驟二，提出特征圖像聚類方法、模糊分類方法，對約簡后提取的有效數(shù)據(jù)實施海 量圖像的分類；
[0010] 步驟三，利用圖像或數(shù)據(jù)特征對聚類或分類后后的圖像進行編碼、表示、分類，對 圖像進行壓縮處理，實施數(shù)據(jù)建模和傳輸；
[0011] 步驟四，提取網(wǎng)絡(luò)環(huán)境下目標的多維有效特征參數(shù)。
[0012] 所述大規(guī)模數(shù)據(jù)約簡方法包括：
[0013] ①按照約簡的定義實現(xiàn)對大規(guī)模數(shù)據(jù)的約簡算法
[0014] 即條件屬性C相對于決策屬性De的約簡問題，從條件屬性集合C中發(fā)現(xiàn)部分必要 的條件屬性，使得根據(jù)這部分條件屬性形成的相對于決策屬性的分類和所有條件屬性所形 成的相對于決策屬性的分類一致，即和所有條件屬性相對于決策屬性De有相同的分類能 力，具體算法如下：
[0015] 輸入：條件屬性集合C = {a。a2，…，aj，決策屬性集合De = {de};
[0016] 輸出：一個屬性約簡集合RED (A)，這里A是屬性全集；
[0017] 步驟1 :計算決策屬性集合De的條件屬性集合C正域POS。(De);
[0018] 步驟2 :對屬性a,_ e C，去除它所得到的條件屬性子集(：\匕}，計算決策屬性集合 De的C\ {aj正域

【權(quán)利要求】
1. 一種網(wǎng)絡(luò)環(huán)境下大規(guī)模圖像與視頻高效數(shù)據(jù)處理的方法，其特征在于： 步驟一，分析采集的海量圖像或視頻序列的數(shù)據(jù)特征，提出有效的大規(guī)模數(shù)據(jù)約簡方 法； 步驟二，提出特征圖像聚類方法、模糊分類方法，對約簡后提取的有效數(shù)據(jù)實施海量圖 像的分類； 步驟三，利用圖像或數(shù)據(jù)特征對聚類或分類后后的圖像進行編碼、表示、分類，對圖像 進行壓縮處理，實施數(shù)據(jù)建模和傳輸； 步驟四，提取網(wǎng)絡(luò)環(huán)境下目標的多維有效特征參數(shù)。
2. 根據(jù)權(quán)利要求1所述的網(wǎng)絡(luò)環(huán)境下大規(guī)模圖像與視頻高效數(shù)據(jù)處理的方法，其特征 在于，所述大規(guī)模數(shù)據(jù)約簡方法包括： ① 按照約簡的定義實現(xiàn)對大規(guī)模數(shù)據(jù)的約簡 即條件屬性C相對于決策屬性De的約簡問題，從條件屬性集合C中發(fā)現(xiàn)部分必要的條 件屬性，使得根據(jù)這部分條件屬性形成的相對于決策屬性的分類和所有條件屬性所形成的 相對于決策屬性的分類一致，即和所有條件屬性相對于決策屬性De有相同的分類能力，具 體算法如下： 輸入：條件屬性集合C=Ia1,a2,…，an},決策屬性集合De= {de}; 輸出：一個屬性約簡集合RED(A)，這里A是屬性全集； 步驟1 :計算決策屬性集合De的條件屬性集合C正域POSe(De); 步驟2:對屬性aieC，去除它所得到的條件屬性子集C\{aj，計算決策屬性集合De的 c\{ai}正域凡乃, 步驟3 :如果則說明屬性％對于決策屬性De是不必要的， 即0 = (：\{&1}，轉(zhuǎn)步驟2;否則，輸出屬性約簡集合1^^)=(：; ② 區(qū)分矩陣約簡算法 首先構(gòu)造區(qū)分矩陣，在區(qū)分矩陣的基礎(chǔ)上得到區(qū)分函數(shù)，然后應(yīng)用吸收律對區(qū)分函數(shù) 進行化簡，使之成為析取范式，則每個主蘊涵式均為約簡的；具體算法為： 對信息系統(tǒng)S= (U，A=CUDe)，其中U為待研究的對象集合，C為條件屬性集合，De為決策屬性集合，假設(shè)決策屬性中決策類的個數(shù)為k個，該信息系統(tǒng)的區(qū)分矩陣是一個對 稱|U|X|U|矩陣，矩陣的每一項Cij定義為
其中，XiGu，XjGU是研究的對象，a是屬性，a(Xi)表示對象Xi的屬性，De(Xi)表示Xi的決策屬性；如果De(Xi)關(guān)De(Xj)，Cij代表了可以將Xi和Xj區(qū)分開的屬性集合； 區(qū)分函數(shù)可以從區(qū)分矩陣中構(gòu)造，方法是把(^_的每個屬性"或"起來，然后再"與"所 有的Cij,其中i，j= 1，…，|U|，則區(qū)分函數(shù)f(S)為
因為代表了區(qū)分兩個對象的屬性集合，所以區(qū)分函數(shù)就代表了可以區(qū)分開所有對 象的屬性集合，再使用吸收律化簡區(qū)分函數(shù)成標準式，即 f (S)=V(八am) (3) 則所有的質(zhì)蘊涵式A am包含的屬性就確定了信息系統(tǒng)的所有約簡集合； ③基于屬性重要性的啟發(fā)式約簡算法 使用核作為計算約簡的出發(fā)點，計算一個最好的或者用戶指定的最小約簡，將屬性的 重要性作為啟發(fā)規(guī)則，首先按照屬性的重要程度從大到小逐個加入屬性，直至待處理的數(shù) 據(jù)集合是一個約簡為止，然后檢查數(shù)據(jù)集合中的每個屬性，即移走的屬性是否會改變數(shù)據(jù) 集合對決策屬性的依賴度，如果不影響，則將其刪除，具體實施為： 初始化候選集Red為核屬性：Red = Core ; 計算整個條件屬性集C的依賴程度fmax，即計算決策屬性集De對去除屬性aieC所 得到的條件屬性子集C\ {aj的正域; IT13-X- 0 ; 當max〈fmax時，循環(huán)過程：在候選集Red中加入新屬性，計算使Red集依賴系數(shù)最大的 屬性i，Red = Red U {i}，max = Red的依賴程度，對于Red的每個非核屬性，去掉是否影響 依賴系數(shù)，若否，則可刪除； 返回Red，結(jié)束。
3.根據(jù)權(quán)利要求1所述的網(wǎng)絡(luò)環(huán)境下大規(guī)模圖像與視頻高效數(shù)據(jù)處理的方法，其特征 在于所述特征圖像聚類方法和模糊分類方法的具體實現(xiàn)方法為：按圖像或視頻中的目標關(guān) 聯(lián)性、特征屬性對約簡后提取的有效數(shù)據(jù)進行分類，把N個樣本共分成n個類別（l〈n〈N)， 這n個類別分別為WpW2, --?，￥"的樣本集合，每類有標明類別的樣本Ni個，i= 1，2, --?，]!， 設(shè)樣本的屬性有q個，則樣本點的指標將可以構(gòu)成一個q維特征空間，所有的樣本點在這 個q維特征空間里都有惟一的點相對應(yīng)；則對任何一個待分類的樣本1 =〈31(1)，32(1)，一 ，aq(X) >，其中as (X)表示樣本X的第s個屬性；對一待分類的實例z，在訓(xùn)練樣本數(shù)據(jù)集中 按照定義距離選出最接近z的k個實例，用Z1,Z2,…，zk表示，設(shè)Ic1,k2,…，kn分別是k個近 鄰中屬于類W1,W2,…，Wn的樣本數(shù)，若Ici最大，實例z就屬于Wi類，其中定義距離為：設(shè)樣本 X=〈a: (X)，a2 (X)，…，aq (X) > 和樣本y=〈a: (y)，a2 (y)，…，aq (y) >，距離定義為：
待識別目標具體的分類實施方法為：首先對待分類的樣本進行分類，分類準則要求屬 于某一個類別的實例到類內(nèi)中心的距離越小越好，到類間中心距離越大越好；根據(jù)每類別 的屬性，求出平均值作為類別中心〇i，i= 1，2,…，n;設(shè)Iik是第k個樣本對第i類的隸屬 度函數(shù)，〇彡€ik彡1且0<乞4 <#，W=Uik};設(shè)dik =IIxk-OiII是樣本Xk和第i 類中心Oi的距離，m>l是模糊加權(quán)指數(shù)；通過定義類內(nèi)距離和類間距離，使其滿足類內(nèi)距離 越小越好，類間距離越大越好；定義類內(nèi)距離為
定義類間距離
綜合式（5)和（6)，定義目標函數(shù)Jm(W，n)為
在式（5)-(7)中，Wi =U』是對固定的i的集合，W=U』是對所有的i的集 合； 由于一個目標最終需要按隸屬度的原則歸屬為一類問題，則目標函數(shù)滿足一定的約束 為：
由式⑵知，要求1)定義的Iij應(yīng)與Clij為反比關(guān)系，艮PIij關(guān)于Clij是單調(diào)減函數(shù)； 2) ^ij關(guān)于模糊加權(quán)指數(shù)m是單調(diào)增函數(shù)；3)隸屬度^ij :0彡^ij彡1，且又要求各類別中 N. 必須至少包含一個樣本，但樣本不可能同屬于一個類別，則成立；4)同時^ij 滿足式（8);根據(jù)1) 一 4)，可定義€u為：
可證明式（9)滿足條件1)-4); 在約束式（8)下通過反復(fù)迭代求目標函數(shù)式（7)的極小值，確定最終由求 各類別的中心Oi如下：
4.根據(jù)權(quán)利要求1所述的網(wǎng)絡(luò)環(huán)境下大規(guī)模圖像與視頻高效數(shù)據(jù)處理的方法，其特 征在于，所述圖像壓縮、編碼和解碼處理方法包括加密編碼算法和解密譯碼算法，所述加密 編碼算法如下：設(shè)當前輸入的圖像或視頻中目標特征為u(1)，并設(shè)此前輸入的m個特征為 u(1-1)，…，u(1-m)，經(jīng)過加密算法，得出當前輸出信息為V(1)，那么有 V(I)=f(u(l)，U(l-l)，…，U(l-m)),1 = 0, 1，2,…（11) 其中，f為二元線性卷積碼運算，即v(l) =f(u(l)，G(l-h)) =u(l-h) .G1^GhSkXn的二兀矩陣，h= 0, 1，2,…，m;若記u的長度恒為k比特，v的長度恒為n比特，均稱為一 段； 因此，對于消息段序列u= (u(0),u(l),…，u(m)，u(m+l),…），相應(yīng)的輸出段序列為V =(V(0)，V(1)，…，V(m)，V(m+1)，…），并且滿足
式（12)是卷積編碼模型； 所述解密譯碼算法如下：設(shè)對應(yīng)于發(fā)送碼字或路徑的接收段序列為r=(r(O)，r(1)，…，r(1)，…），且各個碼字為等概率發(fā)送，則卷積的最大概率譯碼是尋找一條 路徑P = (p (0)，P (1)，…，P (1)，…），使概率P(I r I / I p I)或?qū)?shù)概率IogP(I r I / I p I)最大， 其中，I?I表示路徑的信息量大小； 對于無記憶信道和有限L段接收序列，在I=L時刻，收到1 = 0, 1，2,…，L-I共L段 接收序列后，最大概率譯碼是尋求一條路徑^，使得
其中，P(0,L-1)表示一條段記號從0到L-I的共L段長路徑； 卷積碼在I=L時刻的最大概率譯碼是在I=L時刻求解一條最優(yōu)路徑，而求解1時 刻的最優(yōu)路徑等價于求解當前時刻的最優(yōu)分支和1-1時刻的另一條最優(yōu)路徑，從而卷積碼 的最大概率譯碼過程是一個不斷求取最優(yōu)路徑的過程，即：
其中，〇 (1)表示第1時刻的連接路徑狀態(tài)，Y(1)表示第1時刻連接至狀態(tài)〇 (1) 的分支P(I-I)的分支度量值是該分支的概率，即Y(I) =l〇gP(|r(l-l) |/|p(l-l)|)， P' (1-1)表示連接至〇(1)的可能連入分支，〇 ' (1-1)表示與〇(1)存在連接關(guān)系的狀 態(tài)，F(xiàn)j(I-I)是對應(yīng)〇 ' (1-1)的最優(yōu)路徑值，r(〇 (1))或r(1)是連接至〇 (1)的路 徑的分支度量值之和的最大值。
5.根據(jù)權(quán)利要求1所述的網(wǎng)絡(luò)環(huán)境下大規(guī)模圖像與視頻高效數(shù)據(jù)處理的方法，其特征 在于，所述提取網(wǎng)絡(luò)環(huán)境下目標的多維有效特征參數(shù)的提取方法包括構(gòu)建特征樹和剪枝， 實現(xiàn)方法為： ①構(gòu)建特征樹 定義由屬性進行劃分的度量，計算出當前數(shù)據(jù)子集最佳的劃分屬性；當選定了計算結(jié) 點代價的模糊度函數(shù)，特征樹的生長過程中，每次試圖找一個最優(yōu)分叉值，來劃分結(jié)點中的 樣本，使得代價減小最大；模糊度函數(shù)?。―e)是用來表示特征樹結(jié)點t的模糊度或誤差分 害Ij指標的，即為： I對
l-i 這里，De=We1,de2,…，de。}是一個決策集合，c是該決策集中決策類的個數(shù),(Iei彡O是第i個決策類在決策屬性集合De中的比例，且=1;E(t)是結(jié)點t的模糊度； i二1 在構(gòu)造的特征樹中，由于分叉而導(dǎo)致模糊度的改變量定義為： AE(t) =E(t)-(Ie1EU1) _derE(tr) (16) 這里，t是正在分叉的結(jié)點；EU1)和E(tj分別是結(jié)點t左右分支結(jié)點的模糊度；Cle1 和分別是結(jié)點t中左右分叉樣本的百分比；對于每個內(nèi)結(jié)點t的分叉，取結(jié)點t所有分 叉可能方式中模糊度改變量最大的一個，對于其他結(jié)點重復(fù)同樣的搜索過程； ②剪枝 基于最小代價復(fù)雜性原理修剪特征樹，修剪如下： 特征樹T的剪枝指標E(t)定義為：
其中，T表示一棵特征樹，t為根節(jié)點，f表示特征樹T中的終結(jié)點集； 由可剪枝的指標，給出剪枝代價復(fù)雜性測度Ea (T):
其中，a是一個由于特征樹的復(fù)雜性帶來的代價的復(fù)雜度參數(shù)，|f|為特征樹T的終結(jié) 點個數(shù)； 求特征樹T的下一棵最小樹：對于特征樹T的每個內(nèi)結(jié)點t，求出下一棵特征樹T-Tt誤 分的懲罰因子的值，即復(fù)雜度參數(shù)a的值，記為at，at為當前特征樹剪枝前后誤差指標的 變化量與終結(jié)點數(shù)目改變的比率：
其中，Tt表示根節(jié)點為t的子特征樹，T-Tt表示剪枝后的特征樹，并有r-rfcr為T的 子集；E(Tt)表示子特征樹Tt的復(fù)雜性測度； 選擇有最小at的內(nèi)結(jié)點，因此，整個特征樹的剪枝過程就是計算at，然后，求最小at，進而選擇T-Tt為下次剪枝對象； 對每一個給定的a值，根據(jù)對應(yīng)的其代價復(fù)雜性測度，總可以找到一個最小子特征樹T(a)：
當a值增大時，T(ci) 一直保持最小，直到到達一個跳躍點a'，此時樹T(a')成 為新的最小特征樹； 確定好最小特征樹TU)后，可求得其高度為hzna^-na^+l，這里，n(tf)是最終 葉結(jié)點的層數(shù)，naj是根結(jié)點的層數(shù)，那么，可獲得網(wǎng)絡(luò)環(huán)境下目標的多維有效特征為此 最小特征樹T(a)的各葉結(jié)點。
【文檔編號】G06K9/00GK104268532SQ201410519331
【公開日】2015年1月7日 申請日期:2014年9月30日 優(yōu)先權(quán)日:2014年9月30日
【發(fā)明者】吳青娥, 方潔, 陳志武, 王宏, 丁莉芬, 何燕, 鄭安平, 齊汝賓, 鄭曉婉, 陳青華 申請人:鄭州輕工業(yè)學(xué)院