[发明专利]基于时间依赖约束下深度非负矩阵分解的行为识别方法

权利要求书

1.基于时间依赖约束下深度非负矩阵分解的行为识别方法，包括如下步骤：

(1)对于原始视频O，提取每帧的运动显著性区域，构成视频运动显著性区域V＝{v₁,v₂，…,v_i,…,v_Z}，其中，v_i表示第i帧的运动显著性区域，i＝1,2,…,Z，Z表示视频的帧数；

(2)将视频运动显著性区域V的每s帧划分为一段，并遍历转化为非负矩阵集合X＝{X₁,X₂,…,X_q,…,X_Ns}，其中，X_q表示第q段显著性区域构成的非负矩阵，q＝1,2,…,Ns，Ns表示一个视频分段的段数；

(3)添加时间依赖约束，构造时间依赖约束非负矩阵分解的目标函数D：

其中，G为非负矩阵，F为基矩阵，H为系数矩阵，λ和η分别为时间依赖项和稀疏项调节参数，w_u是对应于间隔帧数集合U中任意元素u的权值列向量，u∈U，因此，对于应间隔帧数集合U，会构成一个权值矩阵W＝[w₁,w₁,...,w_u,...,w_g]，权值可以按行通过向量自回归方法计算，g表示最大间隔帧数，g＝max(U)，diag(w_u)是将权值列向量对角化为一个对角矩阵，(·)^T表示向量或矩阵的转置，||·||_2,1表示L_2,1范数，P_u＝P^g-P^u∈R^Z×(Z-g-1)，P^g为第一水平偏移矩阵算子，P^u为第二水平偏移矩阵算子，I_{(Z-g-1)×(Z-g-1)}为(Z-g-1)×(Z-g-1)的单位阵，0_{(g+1)×(Z-g-1)}为(g+1)×(Z-g-1)的全0矩阵；

(4)利用时间依赖约束非负矩阵分解构造深度为L的时间依赖约束下深度非负矩阵分解框架，并利用该框架对第q个视频片段的非负矩阵X_q进行分解，得到L个系数矩阵H^(l)，l＝1,2,...,L，其中，l为分解层数索引；

(5)对系数矩阵H^(l)按行进行归一化并将归一化后的行串接，得到整个输入数据的空时特征输出r_l为第l层非负矩阵分解维数，表示第l层系数矩阵的第k行；

(6)对非负矩阵集合X的非负矩阵逐个分解，即对于每个非负矩阵均采用步骤(4)-步骤(5)的操作，得到整个视频的空时特征输出：

其中Feat_q为第q个视频片段空时特征，(·)^T表示向量或矩阵的转置，q＝1,2,…,Ns；

(7)按照步骤(4)-步骤(6)的过程对所有样本视频进行空时特征提取，并划分为训练集D_tr和测试集D_te，使用词袋模型获得训练集D_tr的直方图向量N_tr和测试集D_te的直方图向量N_te；

(8)使用训练集的直方图向量N_tr训练SVM分类器，将测试集的直方图向量N_te输入到训练好的SVM中，输出测试集D_te对应的测试样本所属的行为类别。