[發明專利]基于拉普拉斯正則組稀疏的人體行為識別方法

有效

• 申請號: 201310517792.5
• 申請日: 2013-10-27
• 公開（公告）號: CN103605952B
• 公開（公告）日: 2016-11-23
• 發明（設計）人: 張向榮;焦李成;賈航華;楊浩;楊淑媛;李陽陽;馬文萍;馬晶晶
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/66
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

技術領域

本發明屬于圖像處理技術領域，更進一步涉及機器學習和計算機視覺技術領域中的一種基于拉普拉斯正則組稀疏的人體行為識別方法，本發明可以通過對視頻中人體行為特征進行學習，恰當的表征出不同的人體行為，從而在此基礎上實現計算機自主的對于不同行為進行分類識別。

背景技術

人體行為的識別和分析是現代計算機視覺領域中的研究熱點，其研究主要致力于尋找使計算機智能地學習和識別人類行為乃至理解人類復雜行為的技術方法。人體行為識別在智能監控，人機交互以及智能攝像等領域均有良好應用前景。最為普遍的人體行為識別方法通常是：首先從包含人體運動的視頻中檢測和提取初級特征，通過對初級特征的學習得到人體運動的高級特征，并在此基礎上對人體行為進行分類。其中的一個關鍵問題就是如何對不同的人體行為進行恰當的表示，因為表示的合理與否決定了后續分類的性能上限。另外，由于包含人體行為的視頻具有數據量大、冗余信息多、含有噪聲等不利因素，因此要求在對初級特征學習時用到的技術方法高效、簡單且有一定抗噪聲干擾能力。

電子科技大學申請的專利“一種基于相對梯度的ISA模型的行為識別方法”（申請號：201210578578.6，公開號：CN103065158A，公布日：2013.04.24）公開了一種基于相對梯度的ISA模型的行為識別方法，該方法的具體步驟為：第1步：樣本數據的預處理；第2步：特征提取；第3步：特征聚類；第4步：分類/識別。該方法雖然能夠對人體行為進行準確的分類與識別，但是，仍然存在的不足之處是：該方法是基于所有視頻塊，計算復雜度高，并且該方法中采用的主成分分析法，是一種線性分析方法，難以利用數據中的非線性信息。

Yan?Zhu等人在論文“Sparse?Coding?on?Local?Spatial-Temporal?Volumes?for?Human?Action?Recognition”（ACCV，2010）中利用基于Sparse?Coding的方法進行行為識別。該方法的具體步驟為第1步：提取樣本初級特征；第2步：訓練字典；第3步：根據字典對初級特征進行編碼得到稀疏編碼向量，對稀疏編碼向量做max-pooling得到每個視頻的高級特征；第4步：對高級特征用支持矢量機方法進行分類。這種方法雖然對初級特征編碼相對準確，但是，仍然存在的不足之處是，計算復雜度較高。

Samy?Bengio等人在論文“Group?Sparse?Coding”（NIPS，2009）中提出Group?Sparse?Coding方法，該方法的具體步驟為第1步：提取樣本的初級特征；第2步：構造字典；第3步：根據字典對初級特征進行編碼得到組稀疏編碼向量；第4步：根據這種組稀疏編碼向量進行分類。這種方法雖然利用了字典原子的結構特性，使得對初級特征編碼相對準確，且計算復雜度較低，但是，仍然存在的不足之處是：對于人體行為視頻序列內部的結構信息未能加以利用。

發明內容

本發明針對上述現有技術的不足，提出一種新的無監督特征學習方法，在對人體運動中的初級特征進行編碼時加入結構信息，使得人體行為的編碼更具判別性，從而進一步提高對人體行為的智能識別能力。

實現本發明的具體思路是：從行為視頻中檢測并提取出初級特征，在該初級特征的基礎上構造初級特征的相似度圖和初始字典，由此得到圖的拉普拉斯矩陣，利用具有拉普拉斯正則的組稀疏編碼對視頻中的初級特征進行編碼，得到編碼系數矩陣，對編碼系數矩陣的每一行求l₂范數，得到人體行為視頻的高級特征，對人體行為視頻高級特征利用分類器進行分類，從而達到識別人體行為的目的。

為了實現上述目的，本發明方法包括如下步驟：

（1）輸入人體行為視頻序列；

（2）提取初級特征：

2a)采用空時角點檢測方法，提取人體行為視頻序列興趣點；

2b)根據興趣點，提取人體行為視頻序列的初級特征；

（3）構建初始字典和相似度矩陣：

3a)根據人體行為視頻序列的初級特征，構建初始字典；

3b)根據人體行為視頻序列的初級特征，構建相似度矩陣；

（4）編碼初級特征：

4a)對人體行為視頻序列中，每個視頻的初級特征進行拉普拉斯正則組稀疏編碼的目標函數如下：