[发明专利]基于主题知识迁移的人体行为识别方法

权利要求书

1.基于主题知识迁移的人体行为识别方法，其特征是，该方法包括如下步骤：

步骤1 构建训练视角和测试视角下的双语词典，所述双语词典用于将该两个视角下同一动作的低层特征转换成为相同表征；包括低层特征提取、中层特征表示和双语词典获得三个步骤；

步骤2 训练步骤：采用训练视角下的全部动作视频，通过所述双语词典将该视角下不同动作的低层特征分别转换成为表征，训练出识别不同动作的分类模型；

步骤3 识别步骤：采用测试视角下的测试动作视频，通过所述双语词典将该视角下动作的低层特征转换成为表征，运用所述分类模型获得对该动作的识别结果。

2.根据权利要求1所述的人体行为识别方法，其特征是，所述步骤1具体包括：

步骤11 两个视角的低层特征提取：选取训练视角和测试视角下的训练动作视频，分别通过二维Gabor 滤波的方法选取特征点，并以其为中心提取时空立方体，在每个立方体的中心计算亮度梯度作为立方体描述符，立方体描述符即为低层特征；

步骤12 两个视角的中层特征表示：对得到的两个视角下的低层特征分别进行Kmeans聚类，得到训练视角下的第一聚类中心和测试视角下的第二聚类中心；根据两个视角的聚类中心在每个动作样本中的分布将两个视角的动作样本量化为特征直方图，然后用各个视角下的特征直方图分别训练第一LDA模型和第二LDA模型，得到每个样本的主题分布，即中层特征；

步骤13双语词典获得：将两个视角下得到的中层特征结合起来，运用K-奇异值分解算法对其进行分解，形成一个词典对，即为双语词典。

3.根据权利要求1所述的人体行为识别方法，其特征是，所述步骤2 具体包括：

步骤21低层特征提取：将训练视角下的个体的所有动作视频，通过二维Gabor 滤波的方法选取特征点，并以其为中心提取时空立方体，在每个立方体的中心计算亮度梯度作为立方体描述符，立方体描述符即为低层特征；

步骤22 中层特征表示：计算低层特征到第一聚类中心的距离，从而得到低层特征的分类直方图，由第一LDA模型预测得到主题分布，作为中层特征；

步骤23 将中层特征通过所述双语词典变换为稀疏表示，对得到的稀疏表示建立能识别不同动作的分类模型。

4.根据权利要求2所述的人体行为识别方法，其特征是，所述步骤3 具体包括：

步骤31低层特征提取：将测试视角下的测试动作的视频通过二维Gabor 滤波的方法选取特征点，并以其为中心提取时空立方体，在每个立方体的中心计算亮度梯度作为立方体描述符，立方体描述符即为低层特征；

步骤32 中层特征表示：计算低层特征到第二聚类中心的距离，从而得到低层特征的分类直方图，然后将根据第二LDA训练模型预测得到的主题分布作为中层特征； 

步骤33 将中层特征通过双语词典变换为稀疏表示，并输入到所述的分类模型，得出识别结果。

5.根据权利要求1或2或3所述的人体行为识别方法，其特征是，所述低层特征提取，具体包括：

将动作视频序列中的每一帧用二维坐标到像素点亮度的映射表示；然后沿着时间轴方向对视频帧进行选定窗口及八个方向的二维Gabor 滤波；当响应值R大于一定阈值时，表明此处有一个兴趣点，得到此处的坐标，并以此坐标为中心提取大小为σ×σ×τ的时空体特征；其中S=13，t=19；然后计算立方体的亮度梯度作为立方体描述符。

6.根据权利要求2所述的人体行为识别方法，其特征是，所述步骤12中对得到的两个视角下的低层特征进行Kmeans聚类，聚类个数为1000。

7.根据权利要求3所述的人体行为识别方法，其特征是，所述步骤23中采用含有径向基函数的支持向量机(SVM)分类算法对得到的稀疏表示建立所述分类模型。