[发明专利]一种视频流中人体动作关键帧的特征提取方法

说明书

本发明公开一种视频流中人体动作关键帧的特征提取方法，使用基于高斯核函数结合等间隔帧距采样改进MHI的方法，对视频流数据进行处理，无需对每一帧图像进行分析，能有效将运动历史图MHI中灰度值变化进行平滑化，使其拥有较强的鲁棒性，通过HOG提取图像特征，再使用NN分类器检测动作状态标签是否改变并据此来提取动作关键帧。本发明能在满足动作分类精度的前提下，能够顺利进行动作关键帧的视频流提取。

技术领域

本发明涉及目标识别技术领域，具体涉及一种视频流中人体动作关键帧的特征提取方法。

背景技术

对于针对人体动作的改变而进行视频流中关键帧提取的技术一直是近年来研究的重点。视频流数据具有信息量大、数据结构复杂以及有严格的时序特征等特点，如何从视频文件或者摄像头的实时视频数据分析人体动作状态的改变，并得到相应动作关键帧数据是人体关键点检测问题中最关键的问题。

发明内容

本发明提供一种视频流中人体动作关键帧的特征提取方法，其能够快速而准确地提取视频流中的动作关键帧。

为解决上述问题，本发明是通过以下技术方案实现的：

一种视频流中人体动作关键帧的特征提取方法，包括步骤如下：

步骤1：使用等间隔采样法从视频流数据中获取计算帧；

步骤2：使用基于高斯核函数的改进运动历史图算法对计算帧进行历史运动图的生成与动作分割，将人体运动前景与背景进行分离，得到历史运动图；

上述基于高斯核函数的改进运动历史图算法，在传统运动历史图算法的基础上，通过比较当前时刻的计算帧与时序中的对比帧的对应像素点的灰度值来对当前时刻的计算帧的灰度值进行递增或递减，即：

若当前时刻的计算帧与时序中的对比帧的对应像素点的灰度值的差值大于等于设定灰度阈值，则对当前时刻的计算帧的该像素点的灰度值增加其中ω表示设定的帧影响因子，t表示当前时刻，Δt表示当前时刻的计算帧与时序中的对比帧之间的时间差；

若当前时刻的计算帧与时序中的对比帧的对应像素点的灰度值的差值小于设定灰度阈值，则对当前时刻的计算帧的该像素点的灰度值减少额定的衰减系数σ；

步骤3：利用方向梯度直方图特征描述历史运动图的轮廓边缘的运动信息，提取计算帧中的图像特征；

步骤4：使用NN分类器对图像特征进行运动识别，一但当前时刻的计算帧与时序中的对比帧的运动状态标签发生改变时，则将当前时刻的计算帧作为动作关键帧输出。

上述在步骤1之前还进一步包括：在视频流数据采集时，使用中值滤波器对视频流数据进行消除噪声的预处理。

上述时序中的对比帧使用等间隔采样法从视频流数据中获取。

上述时序中的对比帧的采样间隔等于或大于计算帧的采样间隔。

上述步骤2中，设定的灰度阈值为127。

上述步骤2中，衰减系数σ为30。

与现有技术相比，本发明提出一种基于高斯核函数改进的MHI与HOG 特征进行视频流关键帧提取的算法(GMHKE)。该算法使用基于高斯核函数结合等间隔帧距采样改进MHI的方法，对视频流数据进行处理，无需对每一帧图像进行分析，能有效将运动历史图MHI中灰度值变化进行平滑化，使其拥有较强的鲁棒性，通过HOG提取图像特征，再使用NN分类器检测动作状态标签是否改变并据此来提取动作关键帧。本发明能在满足动作分类精度的前提下，能够顺利进行动作关键帧的视频流提取。

附图说明

图1为一种视频流中人体动作关键帧的特征提取方法的流程图。

图2为GMHI中衰减系数的选择。