[发明专利]基于相对梯度的ISA模型的行为识别方法

权利要求书

1.一种基于相对梯度的ISA模型的行为识别方法，其特征在于：该行为识别方法包括以下步骤：

步骤1：样本数据的预处理；

步骤2：特征提取；

步骤3：特征聚类；

步骤4：分类/识别。

2.根据权利要求1所述的基于相对梯度的ISA模型的行为识别方法，其特征在于：所述样本数据的预处理包括以下步骤：

步骤1.1  首先，采集大量具有视觉行为模式的视频集合，假设选取N个视频样本进行采样；

步骤1.2  然后，把每个视频样本随机地分割为num_patches个视频块，每个视频块的大小为 sp_size×sp_size×tp_size，将分割的所有视频块组成一个样本矩阵X，表示成：X={x₁,x₂,…,x_{N*num_patches}}，其中N是视频样本的个数，num_patches表示对每个视频分割的视频块的数量，每一列向量表示一个视频块数据，维数为sp_size²×tp_size；

步骤1.3  最后，对步骤1.2得到的样本矩阵X进行特征中心化、数据白化的处理；

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

其中，size(X,1)表示矩阵X行数的大小dim，ones(size(X,1),1)表示构建一个dim维且元素都为1的列向量，mean(X)表示一个维数等于和矩阵X列数的行向量，每一元素表示矩阵X对应列向量的均值；

步骤1.3.2  数据白化：数据白化是采用主成分分析PCA来完成的；

主成分分析的具体分析步骤如下：

计算样本矩阵X的协方差矩阵C；

计算协方差矩阵C的特征向量的特征值，并把特征值按从大到小排序；

提取最大的m个特征值，其对应的特征向量构成一个矩阵H；

用特征矩阵H^T与样本矩阵X相乘，即可得预处理后的样本矩阵Z。

3.根据权利要求1所述的基于相对梯度的ISA模型的行为识别方法，其特征在于：所述特征提取包括以下步骤：

步骤2.1  构造ISA网络，把经过预处理之后的样本矩阵Z，作为ISA网络的输入；

步骤2.1.1  ISA网络的基元响应

对应于ISA网络的第一层，输入样本矩阵Z与第一层响应S之间满足

Z=BS             (1)

式中，B={b₁,b₂,…,b_m}表示视频基元，每一列为一个基元向量，视频基元个数m是由PCA主成分个数直接决定，m的大小可根据需要进行设置，它是一个标准正交矩阵， S={s₁,s₂,…s_m}^T表示特征系数；

为了便于求第一层的视频基元响应，我们将公式（1）变形为

S=WZ           (2)

式中，W=B^-1，即W是视频基元矩阵B的逆，由于W被视作对视皮层简单细胞感受野的模拟，故W被称作基元逆向滤波器，此时S表示感受野W对视频数据样本X产生的响应，在ISA双层网络中，W可以更直观的看作是第一层网络的组合权值，第一层输出响应S可以看作是由样本矩阵Z的各分量通过W加权的线性组合得到；

对应于第一层的基元响应，第二层输出的激活值为：

其中，W是ISA网络的第一层的组合权值，V是第二层的组合权值；

ISA网络的输出是我们对视频所提取的各个局部特征，即各视频块的基元响应特征，基元响应特征是一个一维向量，其长度为m/k，其中m为视频基元的个数，k为ISA网络中第一层的分组长度；

步骤2.1.2   ISA网络的优化估计

优化过程的目标函数如下：

Minimize  

确立优化目标函数后，就要对目标函数进行优化迭代，最终实现对ISA网络的最优估计；

步骤2.2   ISA问题的最优求解

在ISA网络中，求解ISA问题就是求解ISA网络中的第一层网络权值W和第二层网络权值V，由于ISA网络中第二层的组合权值V已知，则 ISA问题的最优求解，就是对ISA第一层网络权值W进行最优估计；采用相对梯度下降法对权值W进行最优估计；

相对梯度下降法对权值W进行最优估计的具体步骤：

1）  ISA网络的代价函数：

   

其中，表示j-元组内分量的联合概率密度，是对的估计值，是ISA第一层网络第i个子空间的基元响应特征，表示预处理之后、输入ISA网络的样本数据；

2）  对代价函数关于W求导，得其梯度：

                      

其中是代价函数对W求导之后其他数值的一个缺省值；

3）  权值W的更新规则：

4）  求解W的迭代公式：

5）  如果权值W收敛，迭代过程结束，否则重复执行步骤3）和步骤4）；

步骤2.3  提取视频特征

    ISA网络最终输出可由以下公式得出：

   

其中，ISA网络第一层的组合权值W由步骤2.2得到，第二层组合权值V已知；

ISA网络的最终输出即为ISA网络第二层输出的激活值，也就是我们对视频所提取的局部特征。