[发明专利]一种固定位人体行为分析方法

权利要求书

1.一种固定位人体行为分析方法，其特征在于：包括如下步骤：

1)、将人体检测的目标或扫描窗口进行HOG特征提取；

2)、将人体检测的目标或扫描窗口进行CSS特征提取；

3)、遍历图像的每一个位置，提取HOG和CSS特征，输入训练好的SVM进行判断是否是人体，如是则进行SVM人体检测；

4)、对检测到的人体图像进行CNN人体二次确认；

5)、对人体图像内的关键部位上标上landmark关键点并连接起来，组成关于人体或人脸的一个整体描述进行形状回归；

6)、所得到关于目标姿态的一系列landmark关键点，通过landmark关键点之间的相对位置进行MHCRF行为识别；

所述的HOG特征提取的提取过程为：

1)、将人体检测的目标或扫描窗口的图像看做一个x,y,z的三维图像并灰度化；

2)、采用Gamma校正法对输入图像进行颜色空间的归一化；

3)、计算图像每个像素的梯度、大小和方向；

4)、将图像划分成小cell；

5)、统计每个cell的梯度直方图，即可形成每个cell的descriptor；

6)、将每几个cell组成一个block，一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor；

7)、将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image的HOG特征descriptor。

2.根据权利要求1所述的固定位人体行为分析方法，其特征在于：所述的CSS特征提取的提取过程为：

1)、定义一个矩形块R₁，提取某个通道内该矩形块内数值之和

CSS特征为R₁与相邻的矩形块R₂的比值：

矩形块R₁和R₂大小相同位置不同，对它进行拓展：

对某一位置的R₁和它邻近的24个相同大小的矩形块作比较来提取特征，共可以提取到48维特征；

2)、遍历所有位置；

3)、遍历所有颜色通道；

4)、遍历所有矩形块大小；

5)、得到最终的高维CSS特征向量。

3.根据权利要求1所述的固定位人体行为分析方法，其特征在于：所述的形状回归的步骤包括训练步骤和测试步骤，分别如下：

训练步骤

1)、准备一定数量的目标样本图片以及对应的关键点形状标记数据，并计算所有样本的平均形状作为训练学习时候的初始形状；

2)、确定迭代回归次数T，然后循环步骤3)-4)迭代训练T次，得到T个模型；

3)、采用局部二值特征的方法学习得到LBF特征；

4)、采用全局线性回归矩阵的方法学习得到线性回归矩阵；

5)、保存T个模型，保存初始的平均形状；

测试步骤

1)、输入一张包含目标的样本测试图片以及目标的外接矩形框；

2)、载入初始的平均形状，按照步骤3)-4)迭代T次；

3)、提取LBF特征；

4)、根据公式ΔS^t＝W^tΦ^t(I，S^t-1)计算形状的位移，把它累加在当前的形状上；

5)、得到关键点已经对齐的最终形状。

4.根据权利要求1所述的固定位人体行为分析方法，其特征在于：所述的MHCRF行为识别包括视频特征的提取和目标行为的识别，其具体步骤如下：

视频特征的提取步骤如下：

1)、对某一视频序列窗口[t–w，t+w]内的一帧，提取其目标的landmark关键点；

2)、将landmark关键点连接成一棵树，计算树上每两个节点之间的坐标差dx，dy；

3)、所有节点的坐标差联立成一个向量x；

4)、对视频序列窗口中的每一帧，都重复步骤1)-3)，并按照时间先后顺序联立成一个特征向量X；

采用MHCRF识别目标行为的步骤如下：

1)、收集所有视频序列窗口样本，根据视频特征提取叙述的方法提取每一个样本的特征向量X；

2)、设定好隐藏状态个数等参数，根据MHCRF训练叙述的方法进行模型训练；

3)、提取待识别视频序列窗口的特征向量X；

4)、根据MHCRF测试叙述的方法进行行为识别。