LP$^{2}$DH: A Locality-Preserving Pixel-Difference Hashing Framework for Dynamic Texture Recognition

動態紋理辨識技術在處理空間與時間特徵時，長期面臨著嚴重的維度暴增問題。當傳統演算法嘗試提取 5×5×5 的局部像素空間時，往往會產生高達 124 維的龐大數據量。為突破此運算瓶頸，諾丁漢大學與南洋理工大學的研究團隊提出 LP²DH 框架，成功將高維像素差異壓縮為僅 40 位元的二進位編碼，並在 UCLA 資料集創下 99.80% 的破紀錄準確率，全面超越了眾多依賴龐大算力的深度學習模型。

傳統 STLBP 描述子的 2^P³-1 維度災難挑戰

動態紋理（Dynamic Texture）指的是影像序列中隨著時間與空間產生重複性變化的模式，這項技術已經被廣泛應用於影片異常偵測、火災警報系統、活體臉部防偽辨識，甚至動態場景的理解之中。相比於靜態紋理，動態紋理的外觀會隨著時間軸持續變化，因此如何設計出具備高描述力的特徵表徵，成為該領域的核心技術門檻。在眾多特徵提取演算法裡，時空局部二值模式（Spatiotemporal Local Binary Pattern, STLBP）因為運算簡便且對光照變化具備強大的抵抗力，長期備受學界青睞。

然而，將傳統平面的局部二值模式擴展到三維時空時，開發者立刻面臨了嚴苛的技術挑戰。首要難題是極端的「高維度」問題：當系統定義一個 $P \times P \times P$ 的立體局部範圍時，其特徵維度會以 2^(P³-1) 的指數級別恐怖成長。為了解決運算瓶頸，過去的折衷作法（例如 LBP-TOP）通常將三維特徵拆解到三個獨立的正交平面上分別提取，但這種降維方式直接犧牲了平面之間的時空交錯關聯性。

次要挑戰在於「次佳的編碼機制」。傳統的 LBP 演算法依賴絕對的數值閾值進行二值化，這種作法僅保留了像素之間的符號（正或負），卻完全丟棄了可能含有豐富上下文特徵的「幅度」資訊。最後則是「結構資訊的流失」，將連續的像素差異數值強制映射到零與一的二進位空間中，極易破壞原始數據中重要的相對關係與微觀結構，進而大幅削減特徵在分類任務上的鑑別力。

六大主流動態紋理辨識技術的優勢與侷限

回顧動態紋理辨識技術的發展脈絡，業界大略衍生出了六大主流分支。第一類是光流法（Optical-flow），這類演算法專注於追蹤物件在相鄰影格間的移動軌跡，儘管能精準捕捉獨特的運動模式，但運算成本極其高昂，且在畫面複雜或遮擋頻繁的場景下極易產生估計誤差。第二類是基於模型的方法，研究人員通常採用線性動態系統（LDS）或隱馬可夫模型（HMM）來描繪時間軸上的變化。這類技術提供了數學建模基礎，卻往往受限於線性假設或高斯雜訊前提，難以應對真實世界中非線性的複雜動態。

第三類則是導入碎形幾何概念的幾何分析法，透過計算時空數據的不規則性與自相似性，來抵抗視角變換與光照干擾，不過只要影片缺乏強烈的碎形特徵，辨識率就會下滑。第四類時空濾波法（如 MBSIF-TOP）藉由設計特定的高階梯度濾波器提取局部統計特徵，但受限於濾波器的空間固定性，往往無法捕捉長期且複雜的動態相依性。

第五類局部特徵法便是前述的 STLBP 變體，這條技術路線一直試圖在「特徵鑑別力」與「資料緊湊度」之間尋求平衡。最後則是主宰當今電腦視覺的深度學習與表徵學習法。這類模型雖然能自動提取極高維度的時空特徵，但伴隨而來的是龐大的算力消耗、在小型資料集上的過度擬合風險，以及運作邏輯缺乏可解釋性的黑盒子難題。

整合四大最佳化目標的像素差異雜湊編碼

為了一次性克服高維度、編碼缺陷與結構流失三大難關，研究團隊提出了 LP²DH 框架，核心在於一種全新設計的像素差異向量（PDV）雜湊機制。此機制不同於以往局部改良的做法，而是透過建立多目標最佳化的聯合數學公式，系統性地重塑了二值化特徵的產生過程。在該框架中，團隊針對雜湊函數設定了四個不可妥協的優化條件。首要條件是最小化量化損失，確保每一組高維連續的像素差異向量，在轉換成二進位編碼時映射誤差能降至最低，維持轉換前後的保真度。

接著是針對資訊乘載量的優化，演算法被要求最大化雜湊碼的資訊熵。在機制設計上，團隊透過約束方程式促使二進位碼的 0 與 1 呈現均勻分布，防止編碼向單一數值傾斜而導致儲存容量浪費。第三個目標則是最大化雜湊碼的變異數，藉由拉大不同編碼向量之間的變異程度，LP²DH 能夠主動消除表徵中的冗餘特徵，讓編碼更具區別度。

第四個目標則是整個演算法最關鍵的創新：保留局部資料結構。團隊借鏡了流形學習中的局部線性嵌入（Locally Linear Embedding, LLE）技術，在原始的 PDV 高維空間中構建一個鄰居關聯矩陣。在進行雜湊映射的過程中，演算法會強制規定：如果在高維空間中互為鄰居的兩個向量，它們產生的二進位雜湊碼也必須保持幾何相近。這確保了動態紋理的內在空間結構不會因為二值化而被粗暴抹除。

史蒂費爾流形上的梯度下降與雙階段壓縮策略

在整合四項優化目標後，團隊遇到了一個嚴峻的數學挑戰：用來進行空間投影的雜湊矩陣必須滿足嚴格的正交性（Orthogonality）限制。在這種條件下，傳統運作於歐幾里得空間的梯度下降法完全失效。為此，團隊將這個最佳化問題，轉換到史蒂費爾流形（Stiefel manifold）上求解。演算法採用交替最佳化策略：先固定投影矩陣更新二進位碼，隨後在流形空間中計算黎曼梯度，並結合高效率的矩陣反轉公式進行投影矩陣的疊代。

當雜湊函數收斂後，LP²DH 會進入被稱為雙階段壓縮的下半場。第一階段的雜湊投影雖然已將 124 維的像素差異特徵壓縮至僅 M = 40 位元的二進位向量，但 $2^{40}$ 的可能組合在直方圖統計上仍然過於臃腫。因此，第二階段導入了字典學習（Dictionary Learning），透過 K-means 分群演算法，將這些雜湊碼群聚並提煉出 C = 3000 個最具代表性的編碼詞彙。

為了增強對不同動態尺度的適應力，系統會同時從 P=3（26 個相鄰點）與 P=5（124 個相鄰點）兩種不同尺寸的局部空間提取特徵。這些多尺度的編碼詞彙會被轉換為直方圖，並利用主成分分析（PCA）進行最後一步降維，最終輸出一組極度緊湊卻保留了完整微觀細節的特徵表徵。

三大動態紋理基準測試創下 99.80% 準確率

進入實證環節，團隊將 LP²DH 部署於三個國際公認的動態紋理基準資料集進行測試。在包含 50 種場景的 UCLA 資料集中，LP²DH 達成了高達 99.80% 的破紀錄準確率，成功擠下基於深度學習架構的 DT-GoogleNet（98.93%）。而在涵蓋 3600 支影片片段的 DynTex++ 資料集中，系統以 98.52% 的成績擊退了採用 3D 高階高斯梯度濾波的 HoGF3D 模型（97.63%）。

在專注於開放場景辨識的 YUPENN 資料集中，面對水波震盪、樹葉搖曳等非剛性動態場景，該框架交出了 96.19% 的優異表現，再次超越了導入自監督學習機制的 STS 模型（95.00%）。值得一提的是，LP²DH 在推論階段完全沒有使用複雜的神經網路，僅依賴最基礎的最近鄰分類器配合餘弦距離就達成了上述分類成果。

運算複雜度分析顯示，演算法的耗時環節主要落在建構鄰居關聯矩陣的 K-D Tree 搜尋，整體複雜度控制在 $O(N \log N)$ 級別，具備優秀的規模化潛力。這套無需龐大算力的架構，徹底解決了困擾學界多年的時空特徵維度災難。

透過流形空間最佳化保留數據局部幾何結構，LP²DH 證明了精細的數學降維策略在特定視覺任務中，仍能擊退資源密集的深度學習模型。