基于随机模型的动态纹理分析方法研究

Dynamic texture analysis has potiential applications in many fields, such as military, medical and meteorological fields. Supported by the National Natural Science Foundation of China, we conducted the research on the dynamic texture analysis based on the spatio-temporal wavelet transform and the spatio-temporal models. Currently, we have found some problems, 1) the relationship between the wavelet coefficients of a dynamic texture at differenct scales are rarely taken into account; 2) lacking of the motion property analysis of the dynamic texture and rational combination with appearance property; 3) the distribution models are much different in different subbands, and it is difficult to determine the similarity measure of complex-value distributions. In order to resolve these problems, we will conduct the research on the following fields: 1) study the context models of the neighboring scales, construct the dynamic texture segmentation models by combining the context models and the hidden Markov tree models and Markov random field models, and propose the parameter estimation and segmentation methods; 2) establish dynamic texture models based on the higher-order hidden Markov models, multivariate hidden Markov models and higher-order multivariate hidden Markov models, rationally combine the motion with appearance properties, and study those models based dynamic texture classification and segmentation; 3) study the mixture probability distribution models of the complex wavelet coefficients, obtain the similarity measures bettween two distribution models, and design effective dynamic texture classification methods. This project will provide new ways for dynamic texture analysis, and the theory and techinique foundation for their applications.

动态纹理分析在军事、医学及气象等领域有潜在的应用前景。前期在国家青基资助下，采用小波变换及空时模型进行动态纹理研究，发现当前存在以下问题：1）缺少考虑动态纹理在小波域不同尺度间的依赖关系；2）没有突出对运动特性的分析及与"外观"属性的合理结合；3）空时小波子带的概率分布差异大，复值模型间的相似性测距难确定；因此本项目围绕如何解决这些问题展开研究，具体内容包括：1）研究小波域尺度间上下文关系模型，与隐Markov树模型和Markov随机场模型联合建立动态纹理分割模型，设计有效的参数估计和分割算法；2）建立基于高阶（多变量）隐Markov模型"运动特性分析"的动态纹理模型，合理结合"运动"和"外观"特性，研究基于此模型的分类分割方法；3）研究空时复小波系数的混合型概率分布模型，得到衡量模型间相似性的测距，设计有效的动态纹理分类方法。通过本项目研究，为动态纹理分析提供新途径，并为其应用奠定基础。

动态纹理分析在工业控制、生物特征识别、视频监控、动态背景下目标检测等领域具有潜在的应用前景。项目立足于：1）动态纹理“运动”属性的刻画及与“外观”属性的合理结合，2）空时小波变换系数统计分布特性及不同尺度间的依赖关系，旨在利用随机模型和多分辨率变换描述动态纹理，解决动态纹理分类和分割问题。. 1）基于小波域尺度间关系模型与多分辨率空时马尔可夫模型的动态纹理分割，深入研究空时实小波变换域系数概率分布特性，及不同尺度间小波系数的依赖关系，建立了基于小波域隐马尔可夫树模型的动态纹理描述方法；同时分析马尔可夫随机场中标号场的尺度间上下文关系，提出了基于多分辨率马尔可夫随机场的动态纹理分割方法。. 2）基于隐马尔可夫模型（HMM）的动态纹理分析，系统研究HMM模型在动态纹理分析中的应用，揭示了HMM模型中隐状态刻画“运动”，激发概率描述“外观”特性的分析优势，建立了基于高阶、多变量离散隐马尔可夫模型和连续隐马尔科夫模型的动态纹理模型描述方法，提出了一系列分类和分割方法。研究表明HMM模型在动态纹理分析中具有明显的优势，但是离散HMM模型估计参数多，计算复杂性高，而连续HMM模型虽然复杂性低，然而却存在参数估计失效的情况。. 3）基于空时复小波变换的动态纹理分类，全面分析复小波变换系数的幅度和相位的分布特性，揭示了复小波系数幅度和相位在描述动态纹理的作用，提出了混合Gumbel、混合Von Mises和混合Wrapped Cauchy概率分布模型与参数估计方法，及基于此类模型的动态纹理分类算法。. 4）随机模型和动态纹理分析及应用的扩展研究，研究了随机模型和动态纹理分析在目标检测和图像处理中的应用，探索了相关基础研究的应用价值和前景。. 动态纹理分析对图像序列中基本属性的分析和理解具有重要的科学意义，对复杂背景下的图像处理，例如海面背景下舰船和关键目标的检测与跟踪有较大的应用价值，通过项目研究，为动态纹理分析及应用提供新的思路和方法。