[發明專利]一種基于非負矩陣分解和隱馬爾科夫模型的人體行為識別方法

有效

• 申請號: 201110181112.8
• 申請日: 2011-06-29
• 公開（公告）號: CN102393910A
• 公開（公告）日: 2012-03-28
• 發明（設計）人: 宦若虹;王浙滬;唐曉梅;陳慶章
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵;王利強

1.一種基于非負矩陣分解和隱馬爾科夫模型的人體行為識別方法，其特征在于：所述人體行為識別方法包括以下過程：

(一)、離線訓練階段，包括以下步驟：

1.1，在行為數據庫中選取待識別類型行為序列作為訓練數據，假設共選取了NUM個行為序列，NUM為自然數，對每一行為序列進行圖像預處理，得到該行為連續N幀的二值化圖像；

1.2，將得到的每一幀二值化圖像的像素矩陣按列拆開，并按順序首尾相連形成一列，則一個訓練行為序列可以得到一個包含N列的原始矩陣A_i；

1.3，將NUM個訓練行為序列所得到的原始矩陣按列方式組合在一起，得到一個具有N×NUM列的總樣本數據矩陣A；

1.4，將獲得的總樣本數據矩陣A進行非負矩陣分解，以獲得基矩陣W和系數矩陣H，分解原理為：

A_m×n≈W_m×rH_r×n

其中，r為基向量數，其為任意值且(m+n)r＜m×n；分解方法為對W和H按下式進行迭代更新，直至||A-WH||²收斂：

Hij←Hij(WTA)ij(WTWH)ij]]>

Wki←Wki(AHT)ki(WHHT)ki]]>

其中，ij和ki均為矩陣的下標，表示矩陣在第i(k)行和第j(i)列的值；

1.5，以基矩陣W的列向量為基向量構造特征子空間，將每一個訓練行為序列的原始矩陣A_i投影到該特征子空間，得到該訓練行為序列的特征向量e_i，計算公式為：

e_i＝W^TA_i

則可知e_i的大小為r×N，按列組合e_i可得各類訓練行為特征矩陣E_i；

1.6，為每一類行為建立一個隱馬爾科夫模型，初始化各類行為的隱馬爾科夫模型，并采用Baum-Welch算法根據各類訓練行為特征矩陣E_i分別估計各個隱馬爾科夫模型的最優參數；

(二)在線識別階段，包括以下步驟：

2.1，讀取待識別的測試行為序列，對其進行圖像預處理，得到該行為連續N幀的二值化圖像；

2.2，將得到的每一幀二值化圖像的像素矩陣按列拆開，并按順序首尾相連形成一列，則得到一個N列的原始矩陣a；

2.3，以訓練樣本所得到的基矩陣W的列向量為基向量構造特征子空間，將待識別行為序列的原始矩陣a投影到該特征子空間，得到該行為序列的特征向量e_r×N，計算公式為：

e＝W^Ta

2.4，使用在離線訓練階段已經估計好最優參數的HMM，使用前向后向算法分別計算特征向量e與每一類訓練行為在N個分量上的似然值；

2.5，計算待識別行為序列與每一類訓練行為序列的總似然值，即將N個分量上的似然值相加，并比較總似然值大小，依最大似然原則，總似然值最大的訓練行為所在的行為類別即為該行為的行為類別，完成人體行為識別。

2.如權利要求1所述的基于非負矩陣分解和隱馬爾科夫模型的人體行為識別方法，其特征在于：所述步驟1.1和步驟2.1中，預處理包括運動目標檢測、噪聲處理和二值化處理。