动态纹理实验数据集解析

@[TOC](动态纹理(Dynamic texture)数据库解析)

动态纹理(Dynamic texture)数据集解析

动态纹理是带运动的纹理，通常被视为移动场景的视频在时域中表现出一定的平滑特性，基于动态纹理识别的技术已经出现很多。这篇文章将针对动态纹理（视频）数据集进行展开说明，主要说明UCLA，DynTex，YUVL三个数据集以及他们的扩展。

一、UCLA DataSource

UCLA 数据库包含 50 个类的 200 个 DT 视频，每个类又包含 4 个视频。其中每个视频大小为160×110 ,有70帧。对于需要处理的动态纹理算法中，可以将该数据集中的所有视频裁剪为48x48每帧，这样可以方便计算，方便用于捕捉动态纹理的关键特征。又可以将UCLA数据集中的视频分为以下几类：

1. 分类1：50-class_LOO ，每次 200 个 DT 视频中的一个用于测试，其余 199 个用于训练。这种方法称为留一分类

2. 分类2：50-class ，对于每一类的四个视频中的三个用于训练，剩下的一个用于测试。这种方法称为四重交叉验证。为了确保四个视频中的每一个都被用作一次测试视频，四个分割方案被预先确定，并且该实验被重复四次。四个实验的平均准确度是最终的性能指标。

3. .分类3：9-class，针对于分类1和分类2中的DT视频，其中的一些不同的类别可以在语意上把它们分为归为一类。所以，在该分类3中可以把所有的200个DT视频分为9个类别。它们分别为：烟(4)、火(8)、沸水(8)、水(12)、花(12)、海(12)、瀑布(16)、喷泉(20)和植物(108)，其中括号中的数字表示每个类别中的视频数量。对于其中的每个类中随机选择50%的视频进行训练，其它的用于测试。可以在训练集合测试集的20个随机分区上重复试验。

4. 分类4：8-class，在UCLA数据集的200个视频中有一半以上属于分类3中的植物类。故分类4是移除植物类变为八类。进行实验方案与分类3的相似，使用相同的分割方案，进行20次。

5. 分类5：平移不变分类，每个 DT 视频被剪辑成两个不重叠的左半部分和右半部分，以消除相同视点的影响。可以使用39类的分类或者50类的分类。对于视频的裁剪方法，我们可以在每个视频的中间进行裁剪，这样得到相同大小的两个视频分量，我们分为左分量和右分量。实验可以分为两部分进行，一部分实验使用左分量训练，另一部分使用右分量进行训练，剩余部分用来测试。最后将两个实验部分的平价分类率用做最后结果

二、DynTex DataSource

DynTex 数据库是一个包含 650 多个高质量视频的大型数据集。通常，只有数据集的一部分被选择用于 DT 分类。对于这个数据集，通常分为以下几类进行处理：

1. 分类1：DynTex-35 ，这个数据集分类是属于DynTex的旧版本，它由35个视频组成。对于乜咯视频而言都是一个独特的分类。每个视频包含了250帧，每帧大小400x300的视频。对于每个类而言，需要处理的话，建议将其裁剪为10个不同大小的字视频。
   裁剪规则： 对于每个视频而言，在其x(水平方法)=170,y（垂直方向）=130,t（时间方向）=100的点进行裁剪。然后加上t处裁剪得到的两个子视频，这样就得到每个DT视频的10个子视频
   训练规则： 在实验选择上，我们采用**留一法LOO（leave-onegroup-out）**进行。一个用于测试，其它用于训练。可以与NN和NCC分类器一起使用。当使用 NCC 分类器时，每个类中的 9 个训练 DT视频的特征被平均作为类中心，并且测试视频根据其与类中心的相似性被分类。
2. 分类1：DynTex++ ，这个数据集是从DynTex的345个DT视频重新进行处理得来的。这些视频被裁剪为50x50x50大小的视频，我们可以把处理好的视频分为36类，对于每个类有100个视频。
   训练规则： 实验处理上可以随机抽取其中的一半视频用于训练，剩余的用来进行测试。用NN分类器进行训练的话，重复实验10次，将分类率平均用于实验结果
3. 分类1：DynTex-Alpha ，这个数据集包含了DynTex的60个视频，这些视频被分为3类:海洋、草和树木。
4. 分类1：DynTex-Beta ，这个数据集由DynTex的162个视频组成。它们属于 10 个类别:海洋、植被、树木、旗帜、平静的水、喷泉、烟雾、自动扶梯、交通和旋转。
5. 分类1：DynTex-Gamma ，这个数据集由DynTex的275个视频组成。视频分为 10 类:花、海、裸树、树叶、自动扶梯、平静的水、旗帜、草、交通和喷泉。
   训练规则： 对于Alpha、Beta 和 Gamma这三个数据集的所有视频都包含了250帧352x288的视频，在实验时可以采用NN或者NCC分类器的留一法进行实验。

最近邻(NN)分类器
最近的类中心(NCC)分类器