[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

说明书

本发明公开了一种基于特征优选与多种特征融合的人体行为识别方法，包括：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。本发明通过二次降维和特征融合技术，去除冗余特征，降低计算的复杂度，提高识别的准确率，具有超越生成模型的优势，此外，本发明对噪声和其它影响因素鲁棒性强，具有很好的实用性。

技术领域

本发明涉及图像处理、视频处理、模式识别等领域，具体的说是一种基于特征优选与多种特征融合的人体行为识别方法。

背景技术

人类行为识别有着广泛的应用前景，如智能视频监控、视频摘要、智能接口、人机交互、体育视频分析、视频检索等。通常，行为识别涉及两个重要问题，其一是如何从原始视频数据中提取有用的运动信息，其二是如何建立运动参考模型，使训练和识别方法能有效地处理空间和时间尺度变化的类内类似行为。行为识别可以利用各种因素，如人体姿势、光流、运动轨迹或轮廓、时空特征等，近年来，一些适合于行为识别的特征算法被提出，如局部二值模式(LBP)、方向梯度直方图(HOG)、尺度不变特征变换(SIFT)等方法。单一特征往往受到人体外观、环境、摄像机设置等因素影响，无法准确全面地描述人体运动，从而限制了行为识别准确度的提高。Dalai等提出将表征图像局部区域内结构信息的HOG特征与 LBP特征进行融合的算法中，可以有效提高识别率，但同时存在HOG特征维度过大，复杂度高，耗时长等问题。所以，如何在提高识别率的同时又将计算复杂度控制在一定范围内，就成为了当前研究行为识别的焦点之一，而如何降低特征的维度，减少算法运行时间，降低复杂度就需要用尽可能少的维数提取足够多的有效特征，将高维数据转化为低维数据分析，避免出现“维度灾难”问题。

发明内容

本发明提出了基于特征优选与多种特征融合的人体行为识别方法，使用 HOG-SURF融合特征提取人体行为特征，并通过对特征的二次降维方法进行特征的优选来识别人类行为，实验结果证明了提出方法的有效性和鲁棒性。

为了实现上述目的，本发明是通过以下技术方案来实现的：

本发明是种基于特征优选与多种特征融合的人体行为识别方法，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。

本发明的进一步改进在于：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。