CN104992187A - 基于张量动态纹理模型的极光视频分类方法 - Google Patents

Abstract

本发明公开了一种基于张量动态纹理模型的极光视频分类方法，主要解决现有技术无法直接对极光视频进行分类，只能进行单帧操作，分类准确率和分类效率较低的问题。其实现步骤是：(1)获取训练极光视频和测试极光视频；(2)提取训练极光视频和测试极光视频的混合观测矩阵；(3)对训练极光视频和测试极光视频的混合观测矩阵进行优化；(4)用训练极光视频的最优混合观测矩阵训练支持向量机，得到SVM分类器；(5)用SVM分类器对测试极光视频进行分类。本发明能实现对现有四类极光视频的计算机自动分类，且具有分类准确率高的优点，可用于极光视频的特征提取和计算机图像识别。

Description

基于张量动态纹理模型的极光视频分类方法

技术领域

本发明属于图像处理技术领域，涉及四种形态极光视频的计算机分类方法，可用于极光视频的特征提取和计算机图像识别。

背景技术

极光是太阳风通过日侧极隙区注入到地球磁层时，沉降粒子沿磁力线与地球高层大气相互作用而产生的绚丽光辉。极光是极区空间天气物理过程的观测窗口，直观地反映了太阳风与地磁层的耦合过程，蕴含着大量日地空间的电磁活动信息，有着深刻的研究意义。

中国北极黄河站的全天空成像系统(All-sky Camera)同时对极光的三个典型谱段427.8nm，557.7nm和630.0nm进行连续观测，产生数以万计的极光图像，数据量巨大。Wang Q等人在文章“Spatial texture based automatic classification of dayside aurora in all-skyimages.Journal of Atmospheric and Solar-Terrestrial Physics,2010,72(5):498-508.”中将极光按形态分为弧状、辐射状、帷幔状和热点状四类，并得出了四种极光类型的统计分布规律。Pedersen等人发表的文章“Pedersen T R,Gerken E A.Creation of visibleartificial optical emission in the aurora by high-power radio waves.Nature,2005,433(7025):498-500”，胡泽俊等人发表文章“Hu Z J,Yang H,Huang D,et al.Synoptic distribution of dayside aurora:Multiple-wavelength all-skyobservation at Yellow River Station in Ny-Alesund,Svalbard.J.Atmos.Sol.-Terr.Phys.,2009,71(89):794-804”以及文章“Lorentzen D A,Moen J,Oksavik K,et al.In situmeasurement of a newly created polar cap patch.J.Geophys.Res.,2010,115(A12).”，提供了大量的研究材料，证明不同形态的极光对应着不同的磁层边界层动力学过程。如何准确高效地对极光视频进行分类，既是揭示其磁层源区动力学过程的一个关键，也是其发生机制研究的重要环节，然而极光形态和动态变化复杂，无疑为极地科研工作者带来了巨大的困难.

计算机图像识别和分析技术的发展为海量极光数据分类研究提供了可能。2004年，等人在文章“Syrjasuo M,Partamies N.Numeric image features fordetection of aurora[J].Geoscience and Remote Sensing Letters,IEEE,2012,9(2):176-179.”中将计算机视觉的方法引入极光图像自动分类系统中，该方法从分割后的极光区域中提取Fourier算子作为特征，通过最近邻方法实现极光图像的自动分类，由于受到分割算法的影响，该方法仅对形状特征明显的弧状极光图像分类效果良好；Wang等人于2007年在文章“Wang Qian,Liang Jimin,Hu ZeJun,Hu HaiHong,Zhao Heng,HuHongQiao,Gao Xinbo,Yang Huigen.Spatial texture based automaticclassification of dayside aurora in all-sky images.Journal of Atmospheric andSolar-Terrestrial Physics,2010,72(5):498–508.”中使用主成分分析法PCA对极光图像的灰度特征进行提取，提出了一种基于表象的极光分类方法，在冕状极光分类研究方向取得了一定进展；2008年，Gao等人发表文章“L.Gao,X.B.Gao,and J.M.Liang.Dayside corona autora detection based on sample selection and adaBoostalgorithm.J.I mage Graph,2010,15(1):116-121.”，提出基于Gabor变换的极光图像分类方法，采用了局部Gabor滤波器提取图像特征，在确保计算精度的情况下降低了特征冗余信息，取得了较好的分类效果；2009年，Fu等人在文章“Fu Ru,Jie Li and X.B.Gao..Automatic aurora images classification algorithm based on separatedtexture.Proc.Int.Conf.Robotics and Biomimetics,2009:1331-1335.”中将形态学成分分析(MCA)与极光图像处理相结合，从经过MCA分离后所得到的极光纹理子图中提取特征，用于弧冕两类极光图像的分类，提高了弧冕极光分类的正确率。后续的相关研究还有：Han等人在文章“Bing Han,Xiaojing Zhao,Dacheng Tao,et al.Dayside auroraclassification via BIFs-based sparse representation using manifold learning.International Journal of Computer Mathematics.Published online:12Nov 2013.”中又提出基于BIFs特征和C均值分类的极光分类法；Yang等人在文章“Yang Xi,Li Jie,Han Bing,Gao Xinbo.Wavelet hierarchical model for aurora imagesclassification.Journal of Xidian University,2013,40(2):18-24.”中提出多层小波变换来表示极光图像特征，取得了较高的分类准确率；2013年，Han等人在文章“Han B,Yang C,Gao XB.Aurora image classification based on LDA combining withsaliency information.RuanJian Xue Bao/Journal of Software,2013,24(11):2758-2766.”中引入隐含狄利克雷分布模型LDA，并结合图像显著性信息，又进一步提高了极光图像的分类准确率.

然而，上述这些已有的极光图像分析多是基于单幅图像和静态特征，关于极光序列的自动分类的相关工作仍然还比较少。相关的进展主要有：Yang等人于2013年在文章“Yang Qiuju.Auroral Events Detection and Analysis Based on ASI and UVIImages[D].Xi’an:Xidian university,2013.”中提出基于隐马尔科夫模型的极光序列分类理论，但是该方法本质仍是基于单幅图像特征；另外，Han在文章“Han B,Liao Q,Gao XB.Spatial-Temporal poleward volume local binary patterns for aurorasequences event detection.Ruan Jian Xue Bao/Journal of Software,2014,25(9):2172-2179.”中构造了空时极向LBP表征算子提取极光序列的STP-LBP特征，用于检测极光视频中的极向运动现象。但是，该算法只针对极向弧状极光视频的特征，并不具备普适性。由于目前没有对于四类形态极光视频的普适性建模和提取视频动态特征的方法，计算机无法直接对四类极光视频进行自动分类，只能进行单帧操作，或者单一性地对某一类极光视频进行分析，分类准确率和分类效率都比较低。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于张量动态纹理模型的极光视频分类方法，以利用极光视频帧之间的重复相关性，实现对四类极光视频的计算机自动分类，并提高分类准确率。

为实现上述目的本发明的技术方案包括如下步骤：

1)从已标记类别的极光视频数据库中任取N个视频组成训练集{y₁,y₂,...,y_k,...,y_N}，y_k是第k个训练集样本，k＝1,2,...,N，将剩余极光视频组成测试集，从测试集中取一个样本作为测试极光视频y_test；

2)提取极光视频的混合观测矩阵C'：

2a)将测试极光视频y_test表示为y'(t)，I₁为当前视频帧像素矩阵的行数，I₂为当前视频帧像素矩阵的列数，t＝1,...,τ，τ是视频总帧数；

2b)用观测到的极光视频帧y'(t)组成视频张量Y'：

$Y^{\′}=\[y^{\′}\left(1\right),y^{\′}\left(2\right),...y^{\′}\left(t\right),...,y^{\′}\left(\mathrm{\τ}\right)\],Y^{\′}\∈R^{I_1\×I_2\×\mathrm{\τ}};$

2c)令i＝1,2,3，将极光视频张量Y'按第i维展开，得到展开矩阵Y'_(i)，即 其中e＝I₂×τ，f＝I₁×τ，g＝I₁×I₂；

2d)对展开矩阵Y'_(i)进行SVD分解，将其分为三个矩阵，即Y'_(i)＝U⁽ⁱ⁾S⁽ⁱ⁾V^(i)H，其中U⁽ⁱ⁾∈R为左基矩阵，S⁽ⁱ⁾为奇异值矩阵，V⁽ⁱ⁾为右基矩阵；

当i＝1时，左基矩阵为行观测矩阵，对应的奇异值矩阵为右基矩阵为 $V^{\left(1\right)}\∈R^{r_1\×e};$

当i＝2时，左基矩阵为列观测矩阵，对应的奇异值矩阵为右基矩阵为 $V^{\left(2\right)}\∈R^{r_2\×f};$

当i＝3时，左基矩阵为张量动态纹理特征矩阵，对应的奇异值矩阵为右基矩阵为提取张量动态纹理特征矩阵U⁽³⁾的每一列作为张量动态纹理特征帧u(t)，即U⁽³⁾＝[u(1),u(2),...,u(t),...,u(τ)]；

2f)将行观测矩阵U⁽¹⁾和列观测矩阵U⁽²⁾按列组合成混合观测矩阵C'，即C'＝[U⁽¹⁾,U⁽²⁾]。

3)对测试极光视频y_test混合观测矩阵C'进行优化：

3a)用极光视频张量Y'，行观测矩阵U⁽¹⁾，列观测矩阵U⁽²⁾，张量动态纹理特征矩阵U⁽³⁾，计算视频张量Y'的核张量Ne，即Ne＝Y'×₁U⁽¹⁾×₂U⁽²⁾×₃U⁽³⁾,其中，r₁,r₂,r₃分别表示核张量Ne在长，宽，高3个方向上尺寸,×₁表示张量的1-mode乘积运算，×₂表示张量的2-mode乘积运算，×₃表示张量的3-mode乘积运算，；

3b)令核张量Ne在长，宽，高3个方向上尺寸r₁,r₂,r₃均等于等核张量尺寸r，即r₁＝r₂＝r₃＝r；

3c)求当等核张量尺寸r＝2,6,10,14,20,24时，对应的6个合成视频帧y_r(τ+1)，即y₂(τ+1)，y₆(τ+1)，y₁₀(τ+1)，y₁₄(τ+1)；

3d)把得到的6个合成视频帧y₂(τ+1)，y₆(τ+1)，y₁₀(τ+1)，y₁₄(τ+1)，y₂₀(τ+1)，y₂₄(τ+1)均显示为图像，并与原视频帧y(τ)进行人工比对，选取与原视频帧y(τ)相似度最高的合成视频帧y_r(τ+1)对应的最小r值，作为最优等核张量尺寸r'；

3e)用最优等核张量尺寸r'替换步骤2)中核张量在长，宽，高3个方向上尺寸r₁,r₂,r₃，求取测试极光视频y_test的最优混合观测矩阵C”；

4)对SVM支持向量机进行训练，得到训练好的SVM分类器：

4a)用上述计算测试极光视频y_test最优混合观测矩阵C”的方法，计算训练集{y₁,y₂,...,y_k,...,y_N}中训练集样本y_k的最优混合观测矩阵C”_k，得到训练集{y₁,y₂,...,y_k,...,y_N}对应的最优混合观测矩阵集{C”₁,C”₂,...,C”_k,...,C”_N},k＝1,2,...,N；

4b)将每一个训练集样本y_k的最优混合观测矩阵C”_k拉成一个列向量，并将这些列向量连同从训练集样本y_k中对应的类别信息一起输入到SVM支持向量机，对SVM支持向量机的拟合参数进行训练，得到训练好的SVM分类器；

5)对测试极光视频y_test进行分类：

将测试极光视频y_test的最优混合观测矩阵C”输入到训练好的SVM分类器中，完成对测试极光视频y_test的分类。

本发明具有如下优点：

1.本发明将视频进行张量分解，进一步提高了模型效率和紧凑度。

2.本发明充分利用了极光视频帧之间的重复相关性，提取极光视频的张量动态纹理特征，该特征对极光视频的描述具有普适性，克服了现有技术只对某一类视频的识别有效，泛化能力不足的缺点。

3.本发明构造了混合观测矩阵，能有效表示极光视频的特征，使用SVM支持向量机分类器，实现了极光视频的计算机自动分类，并提高了分类准确率。

附图说明

图1是本发明的实现流程图；

图2是本发明中用不同等核张量尺寸时的合成视频帧显示图；

图3是本发明中用不同等核张量尺寸时的分类时间和分类准确率图。

具体实施方式

下面结合附图对本发明的实施例和效果做进一步的详细描述。

步骤1：获取训练极光视频和测试极光视频。

从已标记类别的极光视频数据库中任取N个视频组成训练集{y₁,y₂,...,y_k,...,y_N}，其中y_k是第k个训练极光视频，k＝1,2,...,N；

将剩余的极光视频组成测试集，从测试集中取一个样本作为测试极光视频y_test。

步骤2：提取测试极光视频y_test的混合观测矩阵C'。

2a)将测试极光视频y_test表示为y'(t)，I₁为当前视频帧像素矩阵的行数，I₂为当前视频帧像素矩阵的列数，t＝1,...,τ，τ是视频总帧数；

2b)用观测到的极光视频帧y'(t)组成视频张量Y'：

$Y^{\′}=\[y^{\′}\left(1\right),y^{\′}\left(2\right),...y^{\′}\left(t\right),...,y^{\′}\left(\mathrm{\τ}\right)\],Y^{\′}\∈R^{I_1\×I_2\×\mathrm{\τ}};$

2c)令i＝1,2,3，将极光视频张量Y'按第i维展开，得到展开矩阵Y'_(i)，即 其中e＝I₂×τ，f＝I₁×τ，g＝I₁×I₂；

2d)对展开矩阵Y'_(i)进行SVD分解，将其分为三个矩阵，即Y'_(i)＝U⁽ⁱ⁾S⁽ⁱ⁾V^(i)H，其中U⁽ⁱ⁾∈R为左基矩阵，S⁽ⁱ⁾为奇异值矩阵，V⁽ⁱ⁾为右基矩阵；

当i＝1时，左基矩阵为行观测矩阵，对应的奇异值矩阵为右基矩阵为 $V^{\left(1\right)}\∈R^{r_1\×e};$

当i＝2时，左基矩阵为列观测矩阵，对应的奇异值矩阵为右基矩阵为 $V^{\left(2\right)}\∈R^{r_2\×f};$

当i＝3时，左基矩阵为张量动态纹理特征矩阵，对应的奇异值矩阵为右基矩阵为提取张量动态纹理特征矩阵U⁽³⁾的每一列作为张量动态纹理特征帧u(t)，即U⁽³⁾＝[u(1),u(2),...,u(t),...,u(τ)]；

2f)将行观测矩阵U⁽¹⁾和列观测矩阵U⁽²⁾按列组合成混合观测矩阵C'，即C'＝[U⁽¹⁾,U⁽²⁾]。

步骤3：对测试极光视频y_test的混合观测矩阵C'进行优化。

3a)用极光视频张量Y'，行观测矩阵U⁽¹⁾，列观测矩阵U⁽²⁾，张量动态纹理特征矩阵U⁽³⁾，计算视频张量Y'的核张量Ne，即Ne＝Y'×₁U⁽¹⁾×₂U⁽²⁾×₃U⁽³⁾,其中，r₁,r₂,r₃分别表示核张量Ne在长，宽，高3个方向上尺寸,×₁表示张量的1-mode乘积运算，×₂表示张量的2-mode乘积运算，×₃表示张量的3-mode乘积运算；

3b)令核张量Ne在长，宽，高3个方向上尺寸r₁,r₂,r₃均等于等核张量尺寸r，即r₁＝r₂＝r₃＝r；

3c)求当等核张量尺寸r＝2,6,10,14,20,24时，对应的6个合成视频帧y_r(τ+1)：

3c1)对测试极光视频y_test，按照步骤2)获取行观测矩阵列观测矩阵张量动态纹理特征矩阵其中 $U_r^{\left(3\right)}=\[u_r\left(1\right),u_r\left(2\right),...,u_r\left(t\right),...,u_r\left(\mathrm{\τ}\right)\],$ u_r(t)是第t个动态纹理特征帧，t＝1,...,τ；

3c2)用张量动态纹理特征矩阵计算第t个动态纹理特征帧u(t)到第t+1个动态纹理特征帧u(t+1)的张量状态转移矩阵H_r：

H_r＝P₂P₁ ^T(P₁P₁ ^T)^-1，

式中，P₁＝[u_r(1),u_r(2),...,u_r(j),...,u_r(τ-1)]，P₂＝[u_r(2),u_r(3),...,u_r(k),...,u_r(τ)]，u_r(j)表示第j个动态纹理特征帧，j＝1,...,τ-1；u_r(k)表示第k个动态纹理特征帧，即u_r(j)＝u_r(t+1)，k＝2,...,τ；

3c3)用第τ个张量动态纹理特征帧u_r(τ)，第τ-1个张量动态纹理特征帧u_r(τ-1)，张量状态转移矩阵H_r，求张量动态纹理模型噪声v_r'，即

3c4)用第τ个张量动态纹理特征帧u_r(τ)，张量状态转移矩阵H_r，张量动态纹理模型噪声v_r'，求合成张量动态纹理特征帧u_r(τ+1)，即u_r(τ+1)＝H_ru_r(τ)+v_r'；

3c5)用极光视频张量Y'，行观测矩阵列观测矩阵张量动态纹理特征矩阵计算核张量Ne_r：

${\mathrm{Ne}}_r=Y^{\′}{\×}_1{U}_r^{\left(1\right)}{\×}_2{U}_r^{\left(2\right)}{\×}_3{U}_r^{\left(3\right)},{\mathrm{Ne}}_r\∈R^{r\×r\×r};$

3c6)用核心张量Ne_r，行观测矩阵列观测矩阵以及合成张量动态纹理特征帧u_r(τ+1)，计算合成视频帧:得到r＝2,6,10,14,20,24时对应的6个视频帧：y₂(τ+1)，y₆(τ+1)，y₁₀(τ+1)，y₁₄(τ+1)，y₂₀(τ+1)，y₂₄(τ+1)，即:

$y_2(\mathrm{\τ}+1)={\mathrm{Ne}}_2{\×}_1{U}_2^{\left(1\right)}{\×}_2{U}_2^{\left(2\right)}{\×}_3{u}_2(\mathrm{\τ}+1);$

$y_6(\mathrm{\τ}+1)={\mathrm{Ne}}_6{\×}_1{U}_6^{\left(1\right)}{\×}_2{U}_6^{\left(2\right)}{\×}_3{u}_6(\mathrm{\τ}+1);$

$y_{10}(\mathrm{\τ}+1)={\mathrm{Ne}}_{10}{\×}_1{U}_{10}^{\left(1\right)}{\×}_2{U}_{10}^{\left(2\right)}{\×}_3{u}_{10}(\mathrm{\τ}+1);$

$y_{14}(\mathrm{\τ}+1)={\mathrm{Ne}}_{14}{\×}_1{U}_{14}^{\left(1\right)}{\×}_2{U}_{14}^{\left(2\right)}{\×}_3{u}_{14}(\mathrm{\τ}+1);$

$y_{20}(\mathrm{\τ}+1)={\mathrm{Ne}}_{20}{\×}_1{U}_{20}^{\left(1\right)}{\×}_2{U}_{20}^{\left(2\right)}{\×}_3{u}_{20}(\mathrm{\τ}+1);$

$y_{24}(\mathrm{\τ}+1)={\mathrm{Ne}}_{24}{\×}_1{U}_{24}^{\left(1\right)}{\×}_2{U}_{24}^{\left(2\right)}{\×}_3{u}_{24}(\mathrm{\τ}+1);$

3d)把得到的6个合成视频帧y₂(τ+1)，y₆(τ+1)，y₁₀(τ+1)，y₁₄(τ+1)，y₂₀(τ+1)，y₂₄(τ+1)均显示为图像，并与原视频帧y(τ)进行人工比对，选取与原视频帧y(τ)相似度最高的合成视频帧y_r(τ+1)对应的最小r值，作为最优等核张量尺寸r'；

3e)用最优等核张量尺寸r'替换步骤2)中核张量在长，宽，高3个方向上尺寸r₁,r₂,r₃，得到测试极光视频y_test的最优混合观测矩阵C”。

步骤4：对SVM支持向量机进行训练，得到训练好的SVM分类器。

4a)用上述计算测试极光视频y_test最优混合观测矩阵C”的方法，计算训练集{y₁,y₂,...,y_k,...,y_N}中训练集样本y_k的最优混合观测矩阵C”_k，得到训练集{y₁,y₂,...,y_k,...,y_N}对应的最优混合观测矩阵集{C”₁,C”₂,...,C”_k,...,C”_N},k＝1,2,...,N；

4b)将每一个训练集样本y_k的最优混合观测矩阵C”_k拉成一个列向量，并将这些列向量连同从训练集样本y_k中对应的类别信息一起输入到SVM支持向量机，对SVM支持向量机的拟合参数进行训练，得到训练好的SVM分类器。

步骤5：对测试极光视频y_test进行分类。

将测试极光视频y_test的最优混合观测矩阵C”输入到训练好的SVM分类器中，完成对测试极光视频y_test的分类。

本发明的效果通过以下仿真实验进一步说明：

1.仿真条件与方法：

硬件平台为：Intel Core i5、2.93GHz、3.45GB RAM；

软件平台为：Windows7操作系统下的MATLAB R2012b；

实验数据：对我国北极黄河站的全天空极光数据中2003年12月到2004年共115557幅G波段图像进行手工标记，去除天气等因素造成的无效数据，标记出93个辐射状极光序列，102个弧状极光序列，73个热点状极光序列，95个帷幔状极光序列，序列长度为15帧到35帧之间，组成典型极光视频数据库进行四分类实验。

2.仿真内容与结果

仿真1，用本发明对从典型极光视频数据库中任意一个弧状极光视频进行仿真运算，得到当等核张量尺寸r＝2,6,10,14,20,24时，对应的6个弧状极光视频的合成视频帧：y₂(τ+1)，y₆(τ+1)，y₁₀(τ+1)，y₁₄(τ+1)，y₂₀(τ+1)，y₂₄(τ+1)，将这6个弧状极光视频的合成视频帧显示成图像，结果如图2所示。其中，其中图2(a)是原弧状视频帧，图2(b)是等核张量尺寸r＝2,6,10,14,20,24时，对应的6个弧状极光视频的合成视频帧y₂(τ+1)，y₆(τ+1)，y₁₀(τ+1)，y₁₄(τ+1)，y₂₀(τ+1)，y₂₄(τ+1)。

图2表明，合成的极光视频帧与原图像相似度高，并且当核张量尺寸越大时，模型信息丢失越少，合成的极光视频帧与原图像相似度越高，主观上合成视频帧的真实性也越强。

仿真2，用本发明对典型极光视频数据库进行分类，得到当等核张量尺寸r＝2,6,10,14,20,24时，对应的分类准确率和分类时间，结果如图3。其中，图3(a)是分类准确率图，图3(b)是分类时间图。

图3表明，核张量尺寸越大，极光视频的客观分类准确率越高，但是，当r≥10时，分类准确率提高不明显，且分类时间升高。

仿真3，在训练集视频个数N＝30,50,80,100,120时，用本发明对典型极光视频数据库进行分类实验，在实验中设置参数核张量尺寸r＝12，得到如下表所示的分类准确率。

表1极光视频分类准确率

通过表1可以看出，分类准确率较高，当训练样本数超过100时，分类准确率能够达到80％，能够实现计算机对极光视频的自动分类,提高了分类准确率。

Claims (2)

1.一种基于张量动态纹理模型的极光视频分类方法，包括如下步骤：

1)从已标记类别的极光视频数据库中任取N个视频组成训练集{y₁,y₂,...,y_k,...,y_N}，y_k是第k个训练集样本，k＝1,2,...,N，将剩余极光视频组成测试集，从测试集中取一个样本作为测试极光视频y_test；

2)提取测试极光视频y_test的混合观测矩阵C'：

2a)将测试极光视频y_test表示为y'(t)，I₁为当前视频帧像素矩阵的行数，I₂为当前视频帧像素矩阵的列数，t＝1,...,τ，τ是视频总帧数；

2b)用观测到的极光视频帧y'(t)组成视频张量Y'：

$Y^{\′}=\[y^{\′}\left(1\right),y^{\′}\left(2\right),...y^{\′}\left(t\right),...,y^{\′}\left(\mathrm{\τ}\right)\],Y^{\′}\∈R^{I_1\×I_2\×\mathrm{\τ}};$

2c)令i＝1,2,3，将极光视频张量Y'按第i维展开，得到展开矩阵Y'_(i)，即 Y'₍₃₎∈R^τ×g，其中e＝I₂×τ，f＝I₁×τ，g＝I₁×I₂；

2d)对展开矩阵Y'_(i)进行SVD分解，将其分为三个矩阵，即Y'_(i)＝U⁽ⁱ⁾S⁽ⁱ⁾V^(i)H，其中U⁽ⁱ⁾∈R为左基矩阵，S⁽ⁱ⁾为奇异值矩阵，V⁽ⁱ⁾为右基矩阵；

当i＝1时，左基矩阵为行观测矩阵，对应的奇异值矩阵为 $S^{\left(1\right)}\∈R^{r_1\×r_1},$ 右基矩阵为 $V^{\left(1\right)}\∈R^{r_1\×e};$

当i＝2时，左基矩阵为列观测矩阵，对应的奇异值矩阵为 $S^{\left(2\right)}\∈R^{r_2\×r_2},$ 右基矩阵为 $V^{\left(2\right)}\∈R^{r_2\×f};$

当i＝3时，左基矩阵为张量动态纹理特征矩阵，对应的奇异值矩阵为右基矩阵为提取张量动态纹理特征矩阵U⁽³⁾的每一列作为张量动态纹理特征帧u(t)，即U⁽³⁾＝[u(1),u(2),...,u(t),...,u(τ)]；

2f)将行观测矩阵U⁽¹⁾和列观测矩阵U⁽²⁾按列组合成混合观测矩阵C'，即C'＝[U⁽¹⁾,U⁽²⁾]；

3)对测试极光视频y_test的混合观测矩阵C'进行优化：

3a)用极光视频张量Y'，行观测矩阵U⁽¹⁾，列观测矩阵U⁽²⁾，张量动态纹理特征矩阵U⁽³⁾，计算视频张量Y'的核张量Ne，即Ne＝Y'×₁U⁽¹⁾×₂U⁽²⁾×₃U⁽³⁾,其中，r₁,r₂,r₃分别表示核张量Ne在长，宽，高3个方向上尺寸,×₁表示张量的1-mode乘积运算，×₂表示张量的2-mode乘积运算，×₃表示张量的3-mode乘积运算；

3b)令核张量Ne在长，宽，高3个方向上尺寸r₁,r₂,r₃均等于等核张量尺寸r，即r₁＝r₂＝r₃＝r；

3c)求当等核张量尺寸r＝2,6,10,14,20,24时，对应的6个合成视频帧y_r(τ+1)，即y₂(τ+1)，y₆(τ+1)，y₁₀(τ+1)，y₁₄(τ+1)；

3d)把得到的6个合成视频帧y₂(τ+1)，y₆(τ+1)，y₁₀(τ+1)，y₁₄(τ+1)，y₂₀(τ+1)，y₂₄(τ+1)均显示为图像，并与原视频帧y(τ)进行人工比对，选取与原视频帧y(τ)相似度最高的合成视频帧y_r(τ+1)对应的最小r值，作为最优等核张量尺寸r'；

3e)用最优等核张量尺寸r'替换步骤2)中核张量在长，宽，高3个方向上尺寸r₁,r₂,r₃，求取测试极光视频y_test的最优混合观测矩阵C”；

4)对SVM支持向量机进行训练，得到训练好的SVM分类器：

4a)用上述计算测试极光视频y_test最优混合观测矩阵C”的方法，计算训练集{y₁,y₂,...,y_k,...,y_N}中训练集样本y_k的最优混合观测矩阵C”_k，得到训练集{y₁,y₂,...,y_k,...,y_N}对应的最优混合观测矩阵集{C”₁,C”₂,...,C”_k,...,C”_N},k＝1,2,...,N；

4b)将每一个训练集样本y_k的最优混合观测矩阵C”_k拉成一个列向量，并将这些列向量连同从训练集样本y_k中对应的类别信息一起输入到SVM支持向量机，对SVM支持向量机的拟合参数进行训练，得到训练好的SVM分类器；

5)对测试极光视频y_test进行分类；

将测试极光视频y_test的最优混合观测矩阵C”输入到训练好的SVM分类器中，完成对测试极光视频y_test的分类。

2.根据权利要求1所述的方法，其中步骤3c)中求当等核张量尺寸r＝2,6,10,14,20,24时，对应的6个合成视频帧y_r(τ+1)，按如下步骤进行：

3c1)对测试极光视频y_test，按照步骤2)获取行观测矩阵列观测矩阵张量动态纹理特征矩阵其中u_r(t)是第t个动态纹理特征帧，t＝1,...,τ；

3c2)用张量动态纹理特征矩阵计算第t个动态纹理特征帧u(t)到第t+1个动态纹理特征帧u(t+1)的张量状态转移矩阵H_r：

$H_r=P_2{P_1}^T{\left(P_1{P_1}^T\right)}^{-1},$

式中，P₁＝[u_r(1),u_r(2),...,u_r(j),...,u_r(τ-1)]，P₂＝[u_r(2),u_r(3),...,u_r(k),...,u_r(τ)]，u_r(j)表示第j个动态纹理特征帧，j＝1,...,τ-1；u_r(k)表示第k个动态纹理特征帧，即u_r(j)＝u_r(t+1)，k＝2,...,τ；

3c3)用第τ个张量动态纹理特征帧u_r(τ)，第τ-1个张量动态纹理特征帧u_r(τ-1)，张量状态转移矩阵H_r，求张量动态纹理模型噪声v_r'，即 ${v_r}^{\′}=\frac{1}{\mathrm{\τ}-1}\underset{t=2}{\overset{\mathrm{\τ}}{\Σ}}{u}_r\left(\mathrm{\τ}\right)-H_r{u}_r(\mathrm{\τ}-1);$

3c4)用第τ个张量动态纹理特征帧u_r(τ)，张量状态转移矩阵H_r，张量动态纹理模型噪声v_r'，求合成张量动态纹理特征帧u_r(τ+1)，即u_r(τ+1)＝H_ru_r(τ)+v_r'；

3c5)用极光视频张量Y'，行观测矩阵列观测矩阵张量动态纹理特征矩阵计算核张量Ne_r：

${\mathrm{Ne}}_r=Y^{\′}{\×}_1{U}_r^{\left(1\right)}{\×}_2{U}_r^{\left(2\right)}{\×}_3{U}_r^{\left(3\right)},{\mathrm{Ne}}_r\∈R^{r\×r\×r};$

3c6)用核心张量Ne_r，行观测矩阵列观测矩阵以及合成张量动态纹理特征帧u_r(τ+1)，计算合成视频帧:得到r＝2,6,10,14,20,24时对应的6个视频帧：y₂(τ+1)，y₆(τ+1)，y₁₀(τ+1)，y₁₄(τ+1)，y₂₀(τ+1)，y₂₄(τ+1)，即

$y_2(\mathrm{\τ}+1)={\mathrm{Ne}}_2{\×}_1{U}_2^{\left(1\right)}{\×}_2{U}_2^{\left(2\right)}{\×}_3{u}_2(\mathrm{\τ}+1);$

$y_6(\mathrm{\τ}+1)={\mathrm{Ne}}_6{\×}_1{U}_6^{\left(1\right)}{\×}_2{U}_6^{\left(2\right)}{\×}_3{u}_6(\mathrm{\τ}+1);$

$y_{10}(\mathrm{\τ}+1)={\mathrm{Ne}}_{10}{\×}_1{U}_{10}^{\left(1\right)}{\×}_2{U}_{10}^{\left(2\right)}{\×}_3{u}_{10}(\mathrm{\τ}+1);$

$y_{14}(\mathrm{\τ}+1)={\mathrm{Ne}}_{14}{\×}_1{U}_{14}^{\left(1\right)}{\×}_2{U}_{14}^{\left(2\right)}{\×}_3{u}_{14}(\mathrm{\τ}+1);$

$y_{20}(\mathrm{\τ}+1)={\mathrm{Ne}}_{20}{\×}_1{U}_{20}^{\left(1\right)}{\×}_2{U}_{20}^{\left(2\right)}{\×}_3{u}_{20}(\mathrm{\τ}+1);$

$y_{24}(\mathrm{\τ}+1)={\mathrm{Ne}}_{20}{\×}_1{U}_{20}^{\left(1\right)}{\×}_2{U}_{20}^{\left(2\right)}{\×}_3{u}_{20}(\mathrm{\τ}+1).$