[发明专利]一种基于非负矩阵分解和隐马尔科夫模型的人体行为识别方法

摘要

一种基于非负矩阵分解和隐马尔科夫模型的人体行为识别方法，包括离线训练阶段，首先对选取的各类行为序列训练数据进行图像预处理，获得所有训练数据的总样本数据矩阵A；将A进行非负矩阵分解(NMF)，获得基矩阵W和基向量数r，根据W和A得到各类训练行为序列的特征矩阵Ei；初始化各类训练行为序列的隐马尔科夫模型(HMM)，并分别估计其最优参数；在线识别阶段，首先对输入的待识别行为序列进行图像预处理，获得该行为序列的原始矩阵a；根据W和a得到特征矩阵e；最后计算待识别行为序列与各类训练行为序列的似然值，确定其行为类别。本发明得到的人体行为识别率较高，可提高应用于实时智能视频监控系统中的人体行为自动分析能力。

主权项

一种基于非负矩阵分解和隐马尔科夫模型的人体行为识别方法，其特征在于：所述人体行为识别方法包括以下过程：(一)、离线训练阶段，包括以下步骤：1.1，在行为数据库中选取待识别类型行为序列作为训练数据，假设共选取了NUM个行为序列，NUM为自然数，对每一行为序列进行图像预处理，得到该行为连续N帧的二值化图像；1.2，将得到的每一帧二值化图像的像素矩阵按列拆开，并按顺序首尾相连形成一列，则一个训练行为序列可以得到一个包含N列的原始矩阵Ai；1.3，将NUM个训练行为序列所得到的原始矩阵按列方式组合在一起，得到一个具有N×NUM列的总样本数据矩阵A；1.4，将获得的总样本数据矩阵A进行非负矩阵分解，以获得基矩阵W和系数矩阵H，分解原理为：Am×n≈Wm×rHr×n其中，r为基向量数，其为任意值且(m+n)r＜m×n；分解方法为对W和H按下式进行迭代更新，直至||A‑WH||2收敛： H ij ← H ij ( W T A ) ij ( W T WH ) ij W ki ← W ki ( AH T ) ki ( WHH T ) ki 其中，ij和ki均为矩阵的下标，表示矩阵在第i(k)行和第j(i)列的值；1.5，以基矩阵W的列向量为基向量构造特征子空间，将每一个训练行为序列的原始矩阵Ai投影到该特征子空间，得到该训练行为序列的特征向量ei，计算公式为：ei＝WTAi则可知ei的大小为r×N，按列组合ei可得各类训练行为特征矩阵Ei；1.6，为每一类行为建立一个隐马尔科夫模型，初始化各类行为的隐马尔科夫模型，并采用Baum‑Welch算法根据各类训练行为特征矩阵Ei分别估计各个隐马尔科夫模型的最优参数；(二)在线识别阶段，包括以下步骤：2.1，读取待识别的测试行为序列，对其进行图像预处理，得到该行为连续N帧的二值化图像；2.2，将得到的每一帧二值化图像的像素矩阵按列拆开，并按顺序首尾相连形成一列，则得到一个N列的原始矩阵a；2.3，以训练样本所得到的基矩阵W的列向量为基向量构造特征子空间，将待识别行为序列的原始矩阵a投影到该特征子空间，得到该行为序列的特征向量er×N，计算公式为：e＝WTa2.4，使用在离线训练阶段已经估计好最优参数的HMM，使用前向后向算法分别计算特征向量e与每一类训练行为在N个分量上的似然值；2.5，计算待识别行为序列与每一类训练行为序列的总似然值，即将N个分量上的似然值相加，并比较总似然值大小，依最大似然原则，总似然值最大的训练行为所在的行为类别即为该行为的行为类别，完成人体行为识别。