[发明专利]一种基于特征优选与多种特征融合的人体行为识别方法

权利要求书

1.一种基于特征优选与多种特征融合的人体行为识别方法，其特征在于：包括以下步骤：步骤1，读取视频帧图像并进行去噪预处理，采用高斯滤波器对图像序列进行降噪处理，增强图像质量；

步骤2，对完成预处理的视频帧图像分别提取HOG特征与SURF特征；

步骤3，利用PCA算法对HOG特征进行降维处理；

步骤4，对PCA降维后的HOG特征应用Pearson相关系数、Spearman相关系数和Kendall系数进行二次降维处理；

步骤5，将SURF特征向量与二次降维后的HOG特征向量进行特征融合，利用支持向量机进行分类识别；

步骤5具体为：

S5.1，对视频中存在人体动作的部分进行分割：提取每一帧的SURF特征，将有效特征数大于一定数量的帧视为有效帧；设定一个时间窗口，在有效帧之间进行特征点的匹配，对相邻两帧之间进行特征匹配，将与前后两帧的匹配特征均大于一定数量的帧视为关键帧，即，匹配特征的置信概率大于90％；若在时间窗口之内，关键帧数量大于设定好的阈值，则将该窗口分割出来，作为一个视频片段；

S5.2，对每个分割好的视频片段计算特征，对片段内每帧计算HOG特征，并进行降维后，将特征串联，同时对每帧计算SURF特征，取每帧前N个最显著的特征点，并将其转换为特征向量，将特征向量串联后，再与降维的HOG特征串联，形成分类所需的融合的特征向量；

S5.3，采用支持向量机SVM进行训练识别，SVM采用RBF核函数

2.根据权利要求1所述一种基于特征优选与多种特征融合的人体行为识别方法，其特征在于：步骤2中提取HOG特征具体过程为：S2.1.1,按照差分公式计算图像梯度大小矩阵和梯度方向矩阵，将360度(2π)分割成n个bins，每个bin包含度S2.1.2，根据每个像素点的梯度方向，找到对应的bin，并且在bin值所在的维度加上梯度大小，得到一个n维的直方图；S2.1.3，对图像进行分块处理，得到许多个小cells，针对每个小cell，统计其梯度方向直方图，将多个小cell构成一个block，每个block的梯度方向直方图为每个cell的梯度方向直方图的级联，级联所有block的梯度方向直方图得到整个图像的HOG特征直方图。

3.根据权利要求2所述一种基于特征优选与多种特征融合的人体行为识别方法，其特征在于：步骤2中提取SURF特征的具体过程为：S2.2.1，采用Hessian矩阵行列式来检测特征点；S2.2.2，构建图像的尺度空间，在尺度空间中实现特征点定位；S2.2.3，确定特征点的方向；S2.2.4，构建SURF特征向量，在特征点周围取一个4×4的矩形区域块,每个子区域统计25个像素的水平和垂直方向的Haar小波特征，把Haar小波值作为每个子块区域的特征向量,所以一共有4×4×4＝64维向量作为SURF特征向量。

4.根据权利要求3所述一种基于特征优选与多种特征融合的人体行为识别方法，其特征在于：步骤3中将高维n维特征映射到低维k维特征上，具体过程如下：假设有m个样本，对应特征向量为X_i,X_i的维数为n，则由向量构成的样本可表示为一个n行m列的矩阵X＝{x₁,x₂...,x_m}，则该样本的平均向量为求出协方差矩阵C为对矩阵C求特征值与对应的特征向量，然后将特征向量按对应特征值大小从上到下按行列排列成矩阵，取前k行组成矩阵p，则Y＝PX即为降维到k维后的矩阵。

5.根据权利要求4所述一种基于特征优选与多种特征融合的人体行为识别方法，其特征在于：步骤4具体过程为：S4.1，采用Sobel算子检测提取图像的边缘，计算边缘像素梯度幅值、梯度方向，将360度(2π)分割成n个bins，每个bin包含度然后根据像素点的梯度方向，找到对应的bin，并且在bin值所在的维度加上梯度幅值，得到一个n维的边缘方向直方图；S4.2，通过相关系数公式计算帧图像间的边缘方向直方图相似度；S4.3，根据相似度值的大小确定特征维度进行特征筛选，实现二次降维。