蚁群优化算法优化支持向量机的视频分类

来源:用户上传      作者:

　　摘  要： 针对当前支持向量机支持优化的参数无法获得高精度的体育视频分类结果的难题，为了提高體育视频分类正确率，提出基于蚁群优化算法优化支持向量机的体育视频分类方法。首先采集体育视频，并提取体育视频分类的多个特征;然后采用主成分分析算法对体育视频分类特征进行处理，作为支持向量机的输入，体育视频类别作为支持向量机的输出，建立体育视频分类模型，并采用蚁群优化算法对支持向量机进行优化;最后采用多个体育视频数据进行分类仿真实验，结果表明，蚁群优化算法优化支持向量机的体育视频分类正确率高于90%，降低了体育视频分类错误，体育视频分类效果明显优于当前其他类型的体育视频分类方法，而且体育视频分类效率得到有效的改善。
　　关键词： 体育视频; 分类方法; 蚁群优化算法; 主成分分析; 特征提取; 支持向量机优化
　　中图分类号： TN911.73?34; TP391                  文献标识码： A                   文章编号： 1004?373X（2020）01?0056?03
　　Video classification based on support vector machine optimized
　　by ant colony optimization
　　WANG Yang， LIU Meng， YAN Weiguang
　　Abstract： In order to solve the problem that the current support vector machine （SVM） can′t support optimized parameters to obtain high?precision sports video classification results， the sports video classification method based SVM optimized by ant colony optimization （ACO） is proposed to improve the accuracy of sports video classification. The sports videos are collected and several features of sports video classification are extracted firstly， and then the classification features of sports video are processed by means of principal component analysis algorithm. The sports video classification features are taken as the input of SVM and the sports video category as the output of SVM to establish a sports video classification model. The SVM is optimized by ACO. A classification simulation experiment is conducted with multiple sports video data. The simulation experiment results show that the classification accuracy of the sports video classification based on SVM optimized by ACO is higher than 90%， and the classification error of sports video classification is reduced. The classification effect of sports videos is obviously better than that of other current sports video classification methods， and the classification efficiency of sports videos is effectively improved.
　　Keywords： sports video; classification method; ACO; principal component analysis; feature extraction; SVM optimization
　　0  引  言
　　随着多媒体技术的不断发展，图像采集设备的种类越来越多，从事体育运动的人们数量也在不断增加，每天可以通过手机、摄像机采集到大量的体育视频，这给体育视频管理带来一定的挑战[1?2]。体育视频分类是体育视频检测系统的重要技术，要获得性能优良的体育视频检测系统，首先必须设计高精度的体育视频分类方法，因此体育视频分类研究成为体育研究领域的一个重要研究方向[3?4]。
　　当前的体育视频分类很多，最初人们通过专家系统实现体育视频分类，但是专家系统对先验知识要求比较高，对于新的体育视频分类问题无能为力，当前主要是基于计算机处理的体育视频自动分类方法[5?6]。当前体育视频分类方法主要包括特征提取和分类器设计，体育视频分类特征主要有颜色、运动等特征，它们之间存在一定的重复信息，但是当前方法都没有考虑该问题，使得无法获得最优的体育视频分类特征[7]。当前体育视频分类器主要通过神经网络、隐马尔可夫算法、支持向量机等[8?10]，其中，神经网络要求体育视频分类样本数量大，这样增加了体育视频分类成本，而且体育视频分类结果极不稳定[11];隐马尔可夫算法的体育视频分类正确率高，但是其体育视频分类效率比较低，无法满足一些实时性要求比较高的体育视频处理领域，如鹰眼、视频回放等[12]。支持向量机没有神经网络对体育视频分类的样本数量要求，同时克服了隐马尔可夫算法的体育视频分类速度慢的难题，在体育视频分类研究中最为广泛，但是支持向量机参数直接影响体育视频分类效果，目前支持向量机参数优化问题还没有得到有效解决[13?15]。 　　针对当前支持向量机支持优化的参数无法获得高精度体育视频分类结果的难题，为了提高体育视频分類的正确率，提出基于蚁群优化算法优化支持向量机的体育视频分类方法。仿真实验结果表明，蚁群优化算法优化支持向量机的体育视频分类正确率高，分类效果明显优于对比方法，验证了本文体育视频分类方法的优越性。
　　1  蚁群优化算法优化支持向量机的体育视频分类方法的具体设计
　　1.1  蚁群优化算法优化支持向量机的体育视频分类原理
　　基于蚁群优化算法优化支持向量机的体育视频分类原理为：首先采集体育视频，并提取体育视频分类的多个特征，然后采用主成分分析算法对体育视频分类特征进行处理，作为支持向量机的输入，体育视频类别作为支持向量机的输出，建立体育视频分类模型，并采用蚁群优化算法对支持向量机进行优化，从而建立最优的体育视频分类器。
　　1.2  主成分分析算法处理体育视频分类特征
　　本文首先提取体育视频分类的多个特征，主要包括运动特征、颜色特征、形状特征，它们组成一个体育视频分类原始特征集合，由于体育视频分类原始特征之间有一定的重复信息，引入主成分分析算法对体育视频分类原始特征进行处理，去除原始特征之间的重复信息，减少体育视频分类的特征规模。设取体育视频分类的训练集为[{x1，x2，…，xn}]，[n]表示样本的数量，每一个样本包含有[m]维特征，那么体育视频特征筛选步骤为：
　　Step1：计算矩阵的平均值[x=1ni=1nxi]。
　　Step2：体育视频分类特征值的分解，对特征值[λ1，λ2，…，λIn]进行排序，得到特征向量为[u1，u2，…，uIn]。
　　Step3：初始化前[Pn]个特征向量，它们组成集合[Un=[u1，u2，…，uPn] ]。
　　Step4：采用3个投影矩阵[UT1]，[UT2]和[UT3]，根据[y=xm?UT1?UT2?UT3]对体育视频分类样本进行特征提取，得到最优的体育视频分类特征。
　　1.3  支持向量机算法
　　支持向量机通过函数[φx]对体育视频分类样本进行映射，然后在高维空间进行如下处理：
　　[minω，b，ξ  Jω，ξi=12ωT?ω+Ci=1lξ2is.t.     yi=ωT?φxi+b+ξiξi≥0i=1，2，…，l] （1）
　　式中：[ξ2i]为分类误差;[C]为惩罚参数。
　　引入Lagrange乘子，得到式（1）的对偶形式：
　　[Lω，b，ξ，α=Jω，ξ-i=1lαiω?φxi+b+ξi-yiαi≥0                                                                                              （2）i=1，2，…，l]
　　对式（2）中的[ω]，[b]，[ξi]，[αi]求偏导得到：
　　[?L?ω=0?L?b=0?L?ξi=0?L?αi=0?ω=i=1lαiφxii=1lαi=0αi=CξiωTφxi+b+ξi-yi=0]    （3）
　　消去[ω]和[ξi]，得到：
　　[0ITIφTxiφxl+C-1Ibα=0Y]     （4）
　　根据Mercer条件，[Kxi，x=φTxiφx]，从而得到体育视频分类函数为：
　　[f（x）=i=1n（αi-α*i）k（xi，x）+b] （5）
　　[k（xi，x）]具体为：
　　[k（xi，x）=exp-x-xiσ2] （6）
　　式中[σ]为核宽度参数。
　　由于支持向量机的核宽度参数[σ]和惩罚参数[C]影响体育视频分类的效果，本文引入蚁群优化算法对支持向量机的核宽度参数[σ]和惩罚参数[C]进行优化。
　　1.4  蚁群优化算法优化支持向量机参数
　　1） 设置支持向量机参数[σ]和[C]的取值范围，随机初始化，为蚂蚁分配一组参数（[σ]，[C]）。
　　2） 支持向量机根据（[σ]，[C]）对体育视频分类训练集进行学习，计算得到体育视频分类误差模型为：
　　[Δt（i）=α-Error（i）] （7）
　　3） 根据误差模型得到体育视频分类误差，在此基础上估计第[i]只蚂蚁位置的信息素深度：
　　[T0（i）=α-Error（i）] （8）
　　4） 根据蚂蚁留下的信息素大小，确定每个蚂蚁下一步转移概率为：
　　[p（i）=eT0（BestIndex）-T0（i）eT0（BestIndex）] （9）
　　式中[BestIndex]表示最大信息素浓度。
　　5） 对信息素深度采用式（10）进行更新操作：
　　[T0（i）=（1-ρ）*T0（i）+Δt（i）] （10）
　　6） 不断重复上述过程，最后得到一条蚁群搜索的最优路径，根据最优路径得到支持向量机的核宽度参数[σ]和惩罚参数[C]值。 　　2  体育视频分类的实验研究
　　2.1  实验数据
　　为了测试蚁群优化算法优化支持向量机的体育视频分类效果，选择5类体育视频数据作为实验对象，它们的样本分布如表1所示。
　　为了使测试蚁群优化算法优化支持向量机的体育视频分类效果具有可比性，选择没有进行参数优化支持向量机的体育视频分类方法、BP神经网络的体育视频分类方法进行对比测试。
　　2.2  结果与分析
　　采用蚁群优化算法优化支持向量机的体育视频分类方法、没有进行参数优化支持向量机的体育视频分类方法、BP神经网络的体育视频分类方法对表1的训练样本进行学习，建立相应的体育视频分类器，然后对表1验证样本进行分类，统计它们的体育视频分类正确率，结果如图1所示。从图1可以看出，蚁群优化算法优化支持向量机的体育视频分类正确率为95.90%，没有进行参数优化支持向量机的体育视频分类正确率为91.58%，BP神经网络的体育视频分类正确率为87.16%，本文方法能够有效降低体育视频分类错误率，获得更优的体育视频分类结果。
　　统计3种方法的体育视频分类时间，结果如图2所示。从图2可以看出，蚁群优化算法优化支持向量机的体育视频分类时间均值为2.82 ms、没有进行参数优化支持向量机的体育视频分类时间均值为6.96 ms，BP神经网络的体育视频分类时间均值为4.97 ms，本文方法减少了体育视频分类时间，加快了体育视频分类速度。
　　3  结  论
　　为了解决体育视频分类研究中的支持向量机参数优化难题，获得理想的体育视频分类效果，提出基于蚁群优化算法优化支持向量机的体育视频分类方法。采用蚁群优化算法对支持向量机参数进行在线优化，找到最优的支持向量机参数，并应用于体育视频分类研究中，通过仿真实验可以得到如下结论：
　　1） 采用主成分分析算法对体育视频分类原始特征进行处理，减少了体育视频分类特征数量，降低了体育视频分类的建模时间复杂度，加快了体育视频分类速度，分类效率要明显优于对比的体育视频分类方法。
　　2） 采用蚁群优化算法对支持向量机参数进行优化，建立理想的体育视频分类器。仿真结果表明，本文算法的体育视频分类正确率高于当前其他类型的体育视频分类方法，体育视频分类错误率控制在了体育视频应用的范围内，具有较好的实际应用价值。
　　参考文献
　　[1] 车益民.体育训练中的运动视频分析系统设计与实现[J].现代电子技术，2017，40（5）：70?73.
　　[2] 崔云翔.基于二维人体关节点特征的体育视频标注[J].计算机工程，2014，40（4）：252?257.
　　[3] 蒋宇.基于均值移位算法与彩色直方图算法的体育运动视频跟踪技术研究[J].苏州大学学报（工科版），2012，32（2）：33?36.
　　[4] 孔祥魁，向华.体育视频中基于粒子滤波和ARG模型的多目标跟踪方案[J].湘潭大学自然科学学报，2016，38（4）：80?84.
　　[5] 缪刚，王萍，庄亚军，等.基于流媒体技术的体育竞赛视频发布系统设计[J].微处理机，2016，37（5）：84?88.
　　[6] 潘丹，关卫军.基于隐马尔可夫模型的体育视频分类方法[J].湘潭大学自然科学学报，2017，39（1）：73?77.
　　[7] 杨爱丽.基于iOS的移动体育教学视频设计[J].自动化与仪器仪表，2017（6）：244?245.
　　[8] 杨辉.体育视频中运动目标跟踪技术研究[J].自动化与仪器仪表，2016（6）：176?177.
　　[9] 朱映映，朱艳艳，文振焜.基于类型标志镜头与词袋模型的体育视频分类[J].计算机辅助设计与图形学学报，2013，25（9）：1375?1383.
　　[10] 周轶枫，杨滨峰.利用卷积神经网络的体育视频运动员检测[J].湘潭大学自然科学学报，2017，39（1）：95?98.
　　[11] 朱欣华.多特征和神经网络相融合的体育视频识别[J].湖南科技大学学报（自然科学版），2015，30（4）：97?102.
　　[12] 曹爱春，杨晓艇，侯旭东.最小二乘支持向量机和证据理论融合的体育视频分类[J].计算机工程与应用，2013，49（23）：95?99.
　　[13] 宋刚，肖国强，代毅，等.基于视频区域特征及HMM的体育视频识别研究[J].西南师范大学学报（自然科学版），2010，35（2）：180?185.
　　[14] 张龙飞，曹元大，周艺华，等.基于支持向量机元识别器的体育视频识别[J].北京理工大学学报，2006，12（1）：41?44.
　　[15] 吴鹏，林新棋，李海涛，等.基于颜色纹理和SVM的体育视频分类[J].福建师范大学学报（自然科学版），2014，30（2）：34?41.
　　作者简介：王  杨（1979—），女， 河北张家口人，硕士，研究方向为体育教学、健美操。
　　刘  蒙（1979—），男，河北张家口人，硕士，研究方向为体育教学、足球、高山滑雪。
　　闫伟光（1988—），男，河北张家口人，硕士，研究方向为体育教学、健美操、高山滑雪。
转载注明来源:https://www.xzbu.com/8/view-15122275.htm