[发明专利]基于归一化类谷歌量度矩阵的人体运动识别方法

权利要求书

1.基于归一化类谷歌量度矩阵的人体运动识别方法，其步骤包括：

1)提取人体运动视频中的兴趣点，基于3D时空坐标对每个兴趣点的周围局部区域进行局部描述，得到所述兴趣点子块的3D-SIFT局部运动特征值；

2)根据所述3D-SIFT局部运动特征值对所述子块进行特征聚类得到不同类特征；

3)根据所述不同类特征进行空间归一化类谷歌量度和时间归一化类谷歌量度计算，并配组得到归一化类谷歌量度关系矩阵；

4)将所述归一化类谷歌量度关系矩阵和词袋法局部特征统计直方图训练得到分类器，对人体运动进行识别。

2.如权利要求1所述的基于归一化类谷歌量度矩阵的人体运动识别方法，其特征在于，通过时空滤波器组得到视频中的兴趣点。

3.如权利要求1所述的基于归一化类谷歌量度矩阵的人体运动识别方法，其特征在于，所述3D时空坐标表示兴趣点的空间横纵坐标和时间点，3D-SIFT局部运动特征值按照如下方法获得：

1)在任意一个检测到的兴趣点p(x，y，t)周围取2*2*2的像素模块，对其梯度极坐标进行计算：

m3D(x,y,t)=Lx2+Ly2+Lt2]]>

θ(x，y，t)=tan^-1(L_y／L_x)

φ(x,y,t)=tan-1(Lt(Lx2+Ly2))]]>

2)其中的逼近算法L_x=L(x+1，y，t)-L(x-1，y，t)，L_y=L(x，y+1，t)-L(x，y-1，t)，L_t=L(x，y，t+1)-L(x，y，t-1)；

3)对计算得到的极坐标值在以间隔的八个均匀的方向上进行统计，得到的统计直方图即为该中心兴趣点的3D-SIFT局部运动特征。

4.如权利要求1所述的基于归一化类谷歌量度矩阵的人体运动识别方法，其特征在于，采用K均值法聚类方法对所述子块进行特征聚类，所述K均值算法步骤如下：

1)确定特征聚类的中心点的个数k，随机选择k个训练样本中的3D-SIFT特征值直接作为k个中心点；

2)对每个新特征值计算离它最近的中心点，确定其聚类中心点；

3)新增后计算此类3D-SIFT特征值的新的中心点，更新中心点的值；

4)重复以上步骤2)直到满足每个类的收敛要求。