[发明专利]基于时空梯度特征的分部位的人体运动识别方法

摘要

本发明提出了一种基于时空梯度特征的分部位的人体运动识别方法，主要解决现有技术中特征提取复杂、表征能力弱的问题。其实现步骤是：(1)取一个样本视频I，检测视频中的时空兴趣点；(2)提取人体各部位的N个时空块；(3)计算时空块各层的最大梯度G_m；(4)在极坐标系中，将梯度G_m的大小r和方向θ进行区域划分，计算每个区域内大小r和方向θ的百分比d_θ(i)和d_r(j)，并级联为时空块的特征g_i；(5)检测人体的重心G(x₀,y₀)并计算人体运动的速度特征(6)将各部位的运动特征和速度特征级联作为最终特征；(7)按上述步骤对训练集X和测试集T中所有样本提取特征，获得训练样本特征集X'和测试样本特征集T'，并进行学习训练，获得分类结果。本发明能准确识别人体运动，可用于视频监控、目标识别和运动识别的视频处理。

主权项

1.一种基于时空梯度特征的分部位的人体运动识别方法，包括步骤如下：(1)取一个视频样本I，检测视频中的时空兴趣点；(2)根据Fischler和Elschlager提出的图结构模型将人体划分为头部、左上肢、左下肢、右上肢和右下肢部位；(3)在各人体部位中，提取基于时空兴趣点的时空块C，并计算该时空块C中各层的最大梯度G_m；(4)对时空块C提取基于最大梯度G_m的统计梯度特征g_i，作为该部位的运动特征f_i＝g_i；若某一部位包括多个时空块，则取所有时空块的统计梯度特征g_i的均值作为该部位的运动特征其中，N表示部位中时空块的个数；(5)检测视频中人体的重心G(x₀,y₀)；(6)计算该视频样本I中人体运动的速度特征(7)将人体运动的各部位的运动特征f_i和速度特征级联得到人体运动的最终特征，对于没有时空兴趣点的部位，用零补齐；(8)将Weizmann数据库按照8:1的比例划分为训练样本集X和测试样本集T；按照上述步骤(1)~(7)分别将训练样本集X和测试样本集T中的所有视频提取特征，获得训练样本特征集X'和测试样本特征集T'；(9)利用SVM算法对训练样本特征集X'进行训练学习得到分类器；将测试样本特征集T'输入到分类器，得到各类运动的分类结果。