[發明專利]一種零訓練樣本行為識別方法

有效

• 申請號: 201310364990.2
• 申請日: 2013-08-20
• 公開（公告）號: CN103400160B
• 公開（公告）日: 2017-03-01
• 發明（設計）人: 王春恒;張重;肖柏華;劉爽;周文
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06K9/00
• 代理公司: 中科專利商標代理有限責任公司11021
• 代理人: 宋焰琴

技術領域

本發明屬于智能視頻監控技術領域，具體涉及一種零訓練樣本行為識別方法。

背景技術

行為識別在視頻監控中扮演著重要的角色，它可以識別出視頻中人體的行為動作，為危險行為報警、特定行為識別做出貢獻。行為識別中最簡單最有效的方法當屬基于詞包模型(bag-of-words，BOW)的方法，此方法先對視頻進行特征提取，然后將所有的特征聚類，然后根據每個視頻特征在聚類中心出現的頻率進行直方圖化。但是此方法的一個缺點是沒有考慮到時空特征。Zhang等人利用基于語義的線性編碼方式不僅考慮了特征之間的時空關系而且減少了重構誤差。Ryoo等人提出一種“特征×特征×關系”直方圖去同時獲取特征點之間表象的關系。Kovashaka等人利用近鄰時空興趣點設計一種層級直方圖來彌補詞包模型的不足。

基于詞包模型的方法均是直接將底層特征和類別標簽相連，然而，豐富的時空信息很難被單一的類別標簽表示。所以近期的一些研究工作提出用屬性描述動作的相關信息，屬性特征可以被視為高層語義特征。Lampert等人提出直接屬性預測模型(directattributeprediction，DAP)。劉等人把每個動作屬性當成潛變量去預測行為類別。在這些模型中，均是把屬性當做一個二值變量，表示該屬性是否存在于某個動作。但是在現實生活中，二值屬性并不能準確的描述行為動作。因此，Parikh等人提出相對屬性的概念，其通過描述屬性之間的相對關系來表示行為。

發明內容

本發明的目的是要解決上述現有技術中存在的技術問題，進而提供一種零訓練樣本行為識別方法。

為了實現所述目的，本發明基于零訓練樣本行為識別方法包括以下步驟：

一種零訓練樣本行為識別方法，其特征在于，該方法包括以下步驟：

步驟S1，提取視頻樣本庫中每個動作視頻樣本的特征向量；

步驟S2，設定對應于多種人體行為的多個人體運動屬性，以及在每個人體運動屬性下，每兩個代表人體行為的動作視頻，即動作視頻對之間的關系；

步驟S3，將所述動作視頻對之間的關系作為輸入，利用排序支持向量機進行訓練，得到訓練模型；

步驟S4，利用所述排序支持向量機輸出的排序分數，對每一類具有訓練樣本的人體行為進行擬合得到一個混合高斯模型；

步驟S5，根據所述步驟S4得到的混合高斯模型，利用遷移學習，獲得零訓練樣本人體行為類別的混合高斯模型；

步驟S6，按照步驟S1的描述，提取得到測試視頻樣本的特征向量；

步驟S7，根據所述測試視頻樣本的特征向量以及所述步驟S5得到的零訓練樣本人體行為類別的混合高斯模型，利用最大后驗概率原則，判斷所述測試視頻樣本中零訓練樣本人體行為所屬的類別。

本發明的有益效果為：通過利用混合高斯模型擬合排序分數，達到行為識別的目的，通過最大后驗判斷所屬類別，從而提高行為識別的魯棒性。

附圖說明

圖1是本發明提出的零訓練樣本行為識別方法的流程圖。

具體實施方式

為使本發明的目的、技術方案和優點更加清楚明白，以下結合具體實施例，并參照附圖，對本發明進一步詳細說明。

圖1是本發明提出的零訓練樣本行為識別方法的流程圖，如圖1所示，所述方法包括以下步驟：

步驟S1，提取視頻樣本庫中每個動作視頻樣本的特征向量；

所述步驟S1進一步包括以下步驟：

步驟S11，對所述視頻樣本庫中的每個動作視頻樣本利用三維角點特征(Harris3D)提取多個時空興趣點；

步驟S12，在每個提取到的時空興趣點周圍(比如20*20像素點的范圍)提取梯度直方圖(histogram?of?oriented?gradients，HOG)和光流直方圖(histogram?of?optical?flow，HOF)，并將提取得到的這兩個特征直接連成一個特征向量；

步驟S13，利用聚類方法將所有得到的特征向量聚集為多個聚類中心(比如2000個)；

所述聚類方法可以使用現有技術中常用的k-means聚類方法或其他聚類方法。

步驟S14，利用詞包模型(bag-of-words，BOW)將每個動作視頻樣本表示成一個維數與所述聚類中心的個數相同的直方圖，作為相應動作視頻樣本的特征向量，該直方圖的每一維表示該動作視頻樣本的特征向量在相應聚類中心出現的頻率。