[发明专利]一种基于多实例马尔科夫模型的行为识别方法

说明书

技术领域

本发明属于智能视频监控技术领域，具体涉及一种基于多实例马尔科夫模型的行为识别方法。

背景技术

行为识别在视频智能监控方面有着广泛的应用。例如在某些特定的场合，机场，广场，街道，商店等，对个人的危险行为以及群体的危险行为的预警对于公共安全有着重要的应用价值。目前，主流的行为识别主要是通过构建基于局部特征的词包来进行识别。该方法没有考虑行为特征点在时间和空间上的分布信息和语义信息，而且这些局部特征检测子从背景中检测到许多噪声特征点。为了解决这些问题，Sadanand等人提出一种新的行为表示方法，该方法融入了语义信息用来弥补局部特征的不足，并且在复杂数据库上具有较好的泛化性能。Liu等人定义一种新的高层语义特征：属性来表示行为。Chakraborty等人利用图像的语义信息来去除那些噪声特征点，在复杂数据库上达到了较好的效果。Raptis等人利用静态特征和动态特征来表示部分结构，然后利用这些部分结构之间的空间和时间关系来进行行为识别。但是这些方法都没有对复杂行为的时间结构进行建模。为了解决这个问题，Shi等人利用马尔科夫模型对这些复杂的时间结构进行建模，将行为表示成各部分结构之间的状态转移过程，通过计算概率来进行行为分类。

发明内容

本发明的目的是为了解决复杂场景下行为识别的问题，为此，本发明提供一种基于多实例马尔科夫模型的行为识别方法。

为了实现所述目的，本发明基于多实例马尔科夫模型行为识别方法包含以下步骤：

步骤S1，建立训练集，所述训练集包含某个动作A的正样本和负样本视频；对训练集中的每个视频提取其局部时空兴趣点；对提取得到的时空兴趣点进行第一次聚类，得到这些时空兴趣点对应于第一聚类中心的类别；

步骤S2，对于所述训练集中的每个原始视频，分别提取其局部视频块及基于所述步骤S1得到的聚类中心的类别，得到用于表示局部视频块的直方图特征向量，基于所述局部视频块得到相应原始视频的马尔科夫链集合B；

步骤S3，对所述步骤S2得到的用于表示局部视频块的直方图特征向量进行第二次聚类得到相应局部视频块状态变量的初始值，以及这些局部视频块对应于第二聚类中心的类别，并将这些类别作为这些局部视频块的初始状态；

步骤S4，将所述局部视频块的直方图特征向量按照状态变量的不同拼接得到用于描述所述局部视频块所属马尔科夫链的特征向量；

步骤S5，构建一分类器，并得到相应马尔科夫链的权重；

步骤S6，根据所述步骤S5得到的相应马尔科夫链的权重w，更新马尔科夫链上所有局部视频块的状态变量，直到所述状态变量不再变化，或者达到设置的循环次数；

步骤S7，对于待测试视频，与所述步骤S2类似，通过随机采样的方式，得到多个马尔科夫链；

步骤S8，与所述步骤S6类似，得到这些马尔科夫链的状态变量；

步骤S9，与所述步骤S4类似得到相应马尔科夫链的特征向量；

步骤S10，利用所述步骤S5得到的分类器对所述步骤S9得到的特征向量计算得分，如果该分数大于某个预定阈值则判断该待测试视频属于训练集中定义的行为A，否则不属于该种行为。

本发明的有益效果：通过多实例马尔科夫模型，达到复杂场景下行为识别的目的；通过多实例马尔科夫模型可以减少对视频的标注。

附图说明

图1是本发明提出的基于多实例马尔科夫模型的行为识别方法流程图；

图2是本发明方法在KTH数据库上学习得到的状态转移示意图；

图3是本发明方法在KTH数据库上的识别结果示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

图1是本发明提出的基于多实例马尔科夫模型的行为识别方法流程图，如图1所示，所述基于多实例马尔科夫模型的行为识别方法包括以下步骤：

步骤S1，建立训练集，所述训练集包含某个动作A的正样本和负样本视频；对训练集中的每个视频提取其局部时空兴趣点；对提取得到的时空兴趣点进行第一次聚类，得到这些时空兴趣点对应于第一聚类中心的类别；

比如对提取得到的时空兴趣点进行聚类可以得到2400个类别；

步骤S2，对于所述训练集中的每个原始视频，分别提取其局部视频块及基于所述步骤S1得到的聚类中心的类别，得到用于表示局部视频块的直方图特征向量，基于所述局部视频块得到相应原始视频的马尔科夫链集合B；

所述步骤S2进一步包括以下步骤：