[发明专利]一种视频序列中人体动作的识别方法

权利要求书

1.一种视频序列中人体动作的识别方法，包括特征提取和特征训练与识别两个过程，其特征在于，特征提取包括如下步骤：

S1.计算视频序列的像素运动变化频率图；

S2.划分像素运动变化频率图的区域，确定像素运动变化频率图中值大于某一阈值的区域，找到该区域中的像素的最小纵坐标和最小横坐标，以及最大纵坐标和最大横坐标，然后以此最小纵坐标和最小横坐标，最大纵坐标和最大横坐标确定一个目标区域，并按一定的比例在纵轴或横轴方向上划分若干个子区域；

S3.对目标区域和若干个子区域分别求像素变化直方图，具体如下：

S31.将目标区域的像素运动变化频率图中的值非均匀量化为N个量化值；

S32.分别求出目标区域和若干个子区域各个量化值对应在像素运动变化频率图中的值的和，这样每个区域就得到一个N维的直方图；

S33.将目标区域和若干个子区域的直方图平铺成一个多维的向量并归一化，得到像素变化直方图；

S4.对目标区域和若干个子区域分别求边缘梯度直方图；

S5.计算视频序列的差分边缘直方图，具体过程如下：计算当前帧与前一帧的差分图像，如果差分图像绝对值中的元素的最大值大于预设定的阈值。计算差分图像的边缘直方图，得到差分边缘直方图；

S6.计算视频序列的运动历史图，对得到的运动历史图求边缘梯度直方图，得到运动直方图；

S7.将步骤S3得到的像素变化直方图、步骤S4得到的边缘梯度直方图、步骤S5得到的差分边缘直方图和步骤S6得到的运动直方图平铺成一个特征池，为最终得到的视频序列特征。

2.根据权利要求1所述的视频序列中人体动作的识别方法，其特征在于，所述特征训练与识别具体包括如下步骤：

S8.对视频序列特征在线字典训练与学习，得到字典；

S9.用字典对视频序列特征进行k近邻局部约束线性编码；

S10.对编码后得到的编码特征进行监督距离度量学习得到一个马氏距离转换矩阵代替欧氏距离k均值聚类形成码书，然后计算每个视频编码后的特征对应于码书的统计直方图；

S11.用tf_idf分类器对统计直方图进行分类，得到最终的识别结果。

3.根据权利要求1或2所述的视频序列中人体动作的识别方法，其特征在于，步骤S4求边缘梯度直方图的具体过程如下：

S41.对目标区域分别求出x方向，y方向上的梯度px，py，并求出幅值平方和梯度方向，然后再对幅值归一化；

S42.把梯度方向量化为M个量化值，分别在各个区域求出各个量化区间的幅值的和，得到各个区间的直方图，为一种新的特征；

S43.求各个区域的面积与各个区域幅值和的比值，然后将其与步骤S42得到直方图相乘，得到另一种新的特征；

S44.求各个区域各个量化值所对应该的幅值的和，同时求出其所对应的幅值个数，各方向幅值的和与幅值个数的比值作为第三种新的特征。

4.根据权利要求1或2所述的视频序列中人体动作的识别方法，其特征在于，步骤S1所述的计算视频序列的像素运动变化频率图的具体过程如下：将视频序列当前三帧差分并把差值结果累积，得到一张与视频帧同样大小的图像，然后对其各个点的值取平方再除以最大值，即为像素运动变化频率图。

5.根据权利要求1或2所述的视频序列中人体动作的识别方法，其特征在于，步骤S2所述的按一定的比例在纵轴或横轴方向上划分若干个子区域为按照3∶4∶8在横轴方向上分成三个子区域。

6.根据权利要求1或2所述的视频序列中人体动作的识别方法，其特征在于，步骤S31和步骤S32所述的N为8。

7.根据权利要求3所述的视频序列中人体动作的识别方法，其特征在于，步骤S42所述的M为8。