[发明专利]基于全局显著边缘区域的人体动作特征提取方法

说明书

本发明公开了基于全局显著边缘区域的人体动作特征提取方法，利用一个区域和整个图像的对比度来计算显著度；减少色彩空间的颜色数量，平滑颜色空间的显著度；根据相邻区域的空间关系计算显著性区域；对二值化阈值分割出的前景区域做形态学梯度变化，生成全局显著边缘区域；遍历视频帧不同尺度下所有网格的强角点；在显著边缘区域采集光流幅值不为零的关键特征点；根据修正后光流场求强角点的位移；用强角点连续多帧坐标位移轨迹，以及邻域梯度矢量形成人体动作局部时空特征。本发明通过全局显著边缘区域提取动作特征，剔除与人体运动无关的背景噪声点，消除相机运动对光流计算的影响，提升人体动作局部时空特征描述的精确性，提高人体行为识别率。

技术领域

本发明属于视频分析领域，涉及一种人体行为自动识别方法，具体涉及基于全局显著边缘区域的人体动作特征提取方法。

背景技术

随着互联网的不断发展、视频监控系统的不断推广，视频数据量急剧增长。面对海量涌现的视频数据，如何分析视频人体行为成为一个亟待解决的问题。由于视频数据容易受到前景运动区域不明晰、相机抖动幅度大、场景环境复杂的影响，使得人体运动在视频数据中存在大量的噪声角点，导致视频帧的关键特征点提取不准确，人体行为识别精度受限。

人体动作特征提取是人体行为识别的重要组成部分，属于视频分析领域的一项重要研究内容，其目的是让计算机自动提取人体动作特征，自动判断预测人体行为。因此，有效的动作特征提取方法有利于提高动作识别的精度。

目前人体动作特征提取方法分为3类：基于单帧图像或者多帧视频流提取底层局部时空兴趣点的方法、基于中层语义学习的动作特征属性描述方法和基于高层语义特征点追踪与肢体可变形模板的方法。

基于底层局部时空兴趣点的方法需要对目标物体进行局部时空兴趣点的提取，并且结合一定的光流运动估计来获得对目标物体运动建模，并辅以各种描述算子表达肢体动作。这类方法的缺陷在于容易受到背景噪声、相机抖动和目标遮挡的影响，而且缺乏对人体行为全局特征和行为模型整体性的分析和理解。

基于中层语义学习的方法通常在提取出底层局部动作特征的基础上，常通过前景显著区域、运动目标检测、物体轮廓分割、判别字典学习、多通道特征融合、卷积神经网络等方法，对底层动作特征进行更高层次的语义特征建模，获取多帧视频流中目标物体运动的全局或局部时空特征表达。这种方法的问题在于高度依赖输入特征的表达能力和中层语义学习算法框架的性能。

基于高层语义特征点的方法依赖于人工手动标注或者体感相机，标定人体的骨骼关节点进行实时追踪，并构建出肢体树形结构模型或者可变形模板，结合关节点运动历史和常用描述算子表征人体动作特征。这种方法的缺陷在于需要凭借人类经验花费大量时间标注视频样本，或者依靠智能体感设备标定骨骼关节点。

与动作特征提取方法相关的专利列举如下：

人体交互领域：2015年中科院自动化所公开发明专利《人体动作采集和动作识别系统及其控制方法》，该发明使用无线收发器和3轴加速度传感器电路来获取人体动作，旨在提高舞台表演和演讲的效果；2015年西安电子科技大学公开发明专利《一种基于动作识别的智能手表及动作识别方法》，该发明通过设定人体前臂手势动作对智能手表进行控制操作；2015年北京智谷睿拓公司公开发明专利《头部动作确定方法和装置》，该发明通过获取所述人体的脑电检测信息，确定与所述脑电检测信息对应的头部动作；2015年联想(北京)有限公司公布发明专利《一种动作识别方法、装置及电子设备》，该发明增加了动作获取的触发条件，只有在监测区域内与所述电子设备物理距离满足条件时才触发动作识别。