loading蚁群优化算法优化支持向量机的视频分类
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。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;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。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）