[發明專利]基于相對梯度的ISA模型的行為識別方法

有效

• 申請號: 201210578578.6
• 申請日: 2012-12-28
• 公開（公告）號: CN103065158A
• 公開（公告）日: 2013-04-24
• 發明（設計）人: 劉啟和;陳雷霆;蔡洪斌;邱航;肖燕霞;周川
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 成都中亞專利代理有限公司 51126
• 代理人: 陳亞石

1.一種基于相對梯度的ISA模型的行為識別方法，其特征在于：該行為識別方法包括以下步驟：

步驟1：樣本數據的預處理；

步驟2：特征提取；

步驟3：特征聚類；

步驟4：分類/識別。

2.根據權利要求1所述的基于相對梯度的ISA模型的行為識別方法，其特征在于：所述樣本數據的預處理包括以下步驟：

步驟1.1??首先，采集大量具有視覺行為模式的視頻集合，假設選取N個視頻樣本進行采樣；

步驟1.2??然后，把每個視頻樣本隨機地分割為num_patches個視頻塊，每個視頻塊的大小為?sp_size×sp_size×tp_size，將分割的所有視頻塊組成一個樣本矩陣X，表示成：X={x₁,x₂,…,x_{N*num_patches}}，其中N是視頻樣本的個數，num_patches表示對每個視頻分割的視頻塊的數量，每一列向量表示一個視頻塊數據，維數為sp_size²×tp_size；

步驟1.3??最后，對步驟1.2得到的樣本矩陣X進行特征中心化、數據白化的處理；

步驟1.3.1??特征中心化：?X=X-ones(size(X,1),1)×mean(X)；

其中，size(X,1)表示矩陣X行數的大小dim，ones(size(X,1),1)表示構建一個dim維且元素都為1的列向量，mean(X)表示一個維數等于和矩陣X列數的行向量，每一元素表示矩陣X對應列向量的均值；

步驟1.3.2??數據白化：數據白化是采用主成分分析PCA來完成的；

主成分分析的具體分析步驟如下：

計算樣本矩陣X的協方差矩陣C；

計算協方差矩陣C的特征向量的特征值，并把特征值按從大到小排序；

提取最大的m個特征值，其對應的特征向量構成一個矩陣H；

用特征矩陣H^T與樣本矩陣X相乘，即可得預處理后的樣本矩陣Z。

3.根據權利要求1所述的基于相對梯度的ISA模型的行為識別方法，其特征在于：所述特征提取包括以下步驟：

步驟2.1??構造ISA網絡，把經過預處理之后的樣本矩陣Z，作為ISA網絡的輸入；

步驟2.1.1??ISA網絡的基元響應

對應于ISA網絡的第一層，輸入樣本矩陣Z與第一層響應S之間滿足

Z=BS?????????????(1)

式中，B={b₁,b₂,…,b_m}表示視頻基元，每一列為一個基元向量，視頻基元個數m是由PCA主成分個數直接決定，m的大小可根據需要進行設置，它是一個標準正交矩陣，?S={s₁,s₂,…s_m}^T表示特征系數；

為了便于求第一層的視頻基元響應，我們將公式（1）變形為

S=WZ???????????(2)

式中，W=B^-1，即W是視頻基元矩陣B的逆，由于W被視作對視皮層簡單細胞感受野的模擬，故W被稱作基元逆向濾波器，此時S表示感受野W對視頻數據樣本X產生的響應，在ISA雙層網絡中，W可以更直觀的看作是第一層網絡的組合權值，第一層輸出響應S可以看作是由樣本矩陣Z的各分量通過W加權的線性組合得到；

對應于第一層的基元響應，第二層輸出的激活值為：

其中，W是ISA網絡的第一層的組合權值，V是第二層的組合權值；

ISA網絡的輸出是我們對視頻所提取的各個局部特征，即各視頻塊的基元響應特征，基元響應特征是一個一維向量，其長度為m/k，其中m為視頻基元的個數，k為ISA網絡中第一層的分組長度；

步驟2.1.2???ISA網絡的優化估計

優化過程的目標函數如下：

Minimize??

確立優化目標函數后，就要對目標函數進行優化迭代，最終實現對ISA網絡的最優估計；

步驟2.2???ISA問題的最優求解

在ISA網絡中，求解ISA問題就是求解ISA網絡中的第一層網絡權值W和第二層網絡權值V，由于ISA網絡中第二層的組合權值V已知，則?ISA問題的最優求解，就是對ISA第一層網絡權值W進行最優估計；采用相對梯度下降法對權值W進行最優估計；

相對梯度下降法對權值W進行最優估計的具體步驟：

1）??ISA網絡的代價函數：

???

其中，表示j-元組內分量的聯合概率密度，是對的估計值，是ISA第一層網絡第i個子空間的基元響應特征，表示預處理之后、輸入ISA網絡的樣本數據；

2）??對代價函數關于W求導，得其梯度：

??????????????????????

其中是代價函數對W求導之后其他數值的一個缺省值；

3）??權值W的更新規則：

4）??求解W的迭代公式：

5）??如果權值W收斂，迭代過程結束，否則重復執行步驟3）和步驟4）；

步驟2.3??提取視頻特征

????ISA網絡最終輸出可由以下公式得出：

???

其中，ISA網絡第一層的組合權值W由步驟2.2得到，第二層組合權值V已知；

ISA網絡的最終輸出即為ISA網絡第二層輸出的激活值，也就是我們對視頻所提取的局部特征。