[發明專利]基于主題知識遷移的人體行為識別方法

有效

• 申請號: 201310419997.X
• 申請日: 2013-09-13
• 公開（公告）號: CN103500340B
• 公開（公告）日: 2017-02-08
• 發明（設計）人: 陳昌紅;楊順卿
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 江蘇致邦律師事務所32230
• 代理人: 樊文紅

1.基于主題知識遷移的人體行為識別方法，其特征是，該方法包括如下步驟：

步驟1?構建訓練視角和測試視角下的雙語詞典，所述雙語詞典用于將該兩個視角下同一動作的低層特征轉換成為相同表征；包括低層特征提取、中層特征表示和雙語詞典獲得三個步驟；

步驟2?訓練步驟：采用訓練視角下的全部動作視頻，通過所述雙語詞典將該視角下不同動作的低層特征分別轉換成為表征，訓練出識別不同動作的分類模型；

步驟3?識別步驟：采用測試視角下的測試動作視頻，通過所述雙語詞典將該視角下動作的低層特征轉換成為表征，運用所述分類模型獲得對該動作的識別結果。

2.根據權利要求1所述的人體行為識別方法，其特征是，所述步驟1具體包括：

步驟11?兩個視角的低層特征提?。哼x取訓練視角和測試視角下的訓練動作視頻，分別通過二維Gabor?濾波的方法選取特征點，并以其為中心提取時空立方體，在每個立方體的中心計算亮度梯度作為立方體描述符，立方體描述符即為低層特征；

步驟12?兩個視角的中層特征表示：對得到的兩個視角下的低層特征分別進行Kmeans聚類，得到訓練視角下的第一聚類中心和測試視角下的第二聚類中心；根據兩個視角的聚類中心在每個動作樣本中的分布將兩個視角的動作樣本量化為特征直方圖，然后用各個視角下的特征直方圖分別訓練第一LDA模型和第二LDA模型，得到每個樣本的主題分布，即中層特征；

步驟13雙語詞典獲得：將兩個視角下得到的中層特征結合起來，運用K-奇異值分解算法對其進行分解，形成一個詞典對，即為雙語詞典。

3.根據權利要求1所述的人體行為識別方法，其特征是，所述步驟2?具體包括：

步驟21低層特征提取：將訓練視角下的個體的所有動作視頻，通過二維Gabor?濾波的方法選取特征點，并以其為中心提取時空立方體，在每個立方體的中心計算亮度梯度作為立方體描述符，立方體描述符即為低層特征；

步驟22?中層特征表示：計算低層特征到第一聚類中心的距離，從而得到低層特征的分類直方圖，由第一LDA模型預測得到主題分布，作為中層特征；

步驟23?將中層特征通過所述雙語詞典變換為稀疏表示，對得到的稀疏表示建立能識別不同動作的分類模型。

4.根據權利要求2所述的人體行為識別方法，其特征是，所述步驟3?具體包括：

步驟31低層特征提?。簩y試視角下的測試動作的視頻通過二維Gabor?濾波的方法選取特征點，并以其為中心提取時空立方體，在每個立方體的中心計算亮度梯度作為立方體描述符，立方體描述符即為低層特征；

步驟32?中層特征表示：計算低層特征到第二聚類中心的距離，從而得到低層特征的分類直方圖，然后將根據第二LDA訓練模型預測得到的主題分布作為中層特征；?

步驟33?將中層特征通過雙語詞典變換為稀疏表示，并輸入到所述的分類模型，得出識別結果。

5.根據權利要求1或2或3所述的人體行為識別方法，其特征是，所述低層特征提取，具體包括：

將動作視頻序列中的每一幀用二維坐標到像素點亮度的映射表示；然后沿著時間軸方向對視頻幀進行選定窗口及八個方向的二維Gabor?濾波；當響應值R大于一定閾值時，表明此處有一個興趣點，得到此處的坐標，并以此坐標為中心提取大小為σ×σ×τ的時空體特征；其中S=13，t=19；然后計算立方體的亮度梯度作為立方體描述符。

6.根據權利要求2所述的人體行為識別方法，其特征是，所述步驟12中對得到的兩個視角下的低層特征進行Kmeans聚類，聚類個數為1000。

7.根據權利要求3所述的人體行為識別方法，其特征是，所述步驟23中采用含有徑向基函數的支持向量機(SVM)分類算法對得到的稀疏表示建立所述分類模型。