[发明专利]一种零训练样本行为识别方法

权利要求书

1.一种零训练样本行为识别方法，其特征在于，该方法包括以下步骤：

步骤S1，提取视频样本库中每个动作视频样本的特征向量；

步骤S2，设定对应于多种人体行为的多个人体运动属性，以及在每个人体运动属性下，每两个代表人体行为的动作视频，即动作视频对之间的关系；

步骤S3，将所述动作视频对之间的关系作为输入，利用排序支持向量机进行训练，得到训练模型；

步骤S4，利用所述排序支持向量机输出的排序分数，对每一类具有训练样本的人体行为进行拟合得到一个混合高斯模型；

步骤S5，根据所述步骤S4得到的混合高斯模型，利用迁移学习，获得零训练样本人体行为类别的混合高斯模型；

步骤S6，按照步骤S1的描述，提取得到测试视频样本的特征向量；

步骤S7，根据所述测试视频样本的特征向量以及所述步骤S5得到的零训练样本人体行为类别的混合高斯模型，利用最大后验概率原则，判断所述测试视频样本中零训练样本人体行为所属的类别。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1进一步包括以下步骤：

步骤S11，对所述视频样本库中的每个动作视频样本利用三维角点特征提取多个时空兴趣点；

步骤S12，在每个提取到的时空兴趣点周围提取梯度直方图和光流直方图，并将提取得到的这两个特征直接连成一个特征向量；

步骤S13，利用聚类方法将所有得到的特征向量聚集为多个聚类中心；

步骤S14，利用词包模型将每个动作视频样本表示成一个维数与所述聚类中心的个数相同的直方图，作为相应动作视频样本的特征向量。

3.根据权利要求2所述的方法，其特征在于，所述步骤S14中的直方图的每一维表示在相应聚类中心出现特征向量的个数。

4.根据权利要求1所述的方法，其特征在于，所述步骤S2中，所述多种人体行为包括拳击，鼓掌，挥手，慢跑，跑和走；所述多个人体运动属性包括腿的运动，手臂的运动，手臂的张合，手臂形状的笔直情况和过胸的手臂运动。

5.根据权利要求4所述的方法，其特征在于，在每个人体运动属性下，动作视频对之间的关系包括：

对于所述腿的运动，跑＞慢跑＞走＞拳击～鼓掌～挥手；

对于所述手臂的运动，挥手＞鼓掌＞拳击＞跑＞慢跑～走；

对于所述手臂的张合，鼓掌＞挥手＞拳击～慢跑～跑～走；

对于所述手臂形状的笔直情况，鼓掌～挥手＞走＞拳击＞慢跑～跑；

对于所述过胸的手臂运动，挥手＞拳击～鼓掌＞慢跑～跑＞走；

其中，“＞”表示人体运动属性的大于关系，“～”表示人体运动属性的相似关系。

6.根据权利要求1所述的方法，其特征在于，所述排序支持向量机采用Sigmoid和Gaussian函数作为损失函数。