[发明专利]基于线性动态系统的视角无关的人体行为识别方法

摘要

本发明公开了一种视角无关的人体行为识别的方法，主要解决不同视角下相同动作的识别问题。该方法的具体过程是：对动作视频序列进行2D高斯滤波和1D Gabor滤波得到兴趣点，然后以兴趣点为中心建立立方体特征；再对动作视频序列等间隔划分并密集采样提取等大小的立方体特征，将两种方法得到的立方体合并为一个集合；接着对得到的立方体进行LDSs建模，用一对参数(A,C)表示，定义Martin距离表示两个系统参数间的距离；利用Martin距离，结合非线性降维(MDS)和聚类算法构建码本；计算每个视频提取的时空特征与码本的距离，利用Soft‑weighting方法，计算加权矢量作为每个视频的特征向量，从而进行SVM训练与识别。

主权项

1.一种基于线性动态系统的视角无关的人体行为识别方法，其特征在于，包括如下步骤：第一步，分两方面，第一方面对动作视频帧序列分别在时间域和空间域运用二维高斯滤波器和一维Gabor滤波器，根据响应得到兴趣点位置，然后以响应位置为中心提取固定大小的时空体；第二方面，先对视频序列分块，然后以固定的间隔在视频中对关键点密集采样抽取特征点，以特征点为中心提取时空体；然后将两方面的时空体合并起来；第二步，对提取的每个时空体建立LDS模型，计算出模型参数(A,C)，定义Martin距离表示两个系统参数间的距离；利用Martin距离，结合非线性降维方法中的MDS方法和聚类算法构建码本；第三步，根据得到的码本，利用Soft-weighting方法，计算加权矢量作为每个视频的特征向量，得到每个特征在识别过程中的权值；第四步，利用加权矢量进行SVM分类器学习,利用学到的SVM模型，识别未知测试序列；所述视频序列的底层特征提取的操作包括：(1)将动作视频序列中的每一帧用二维坐标到像素点亮度的映射表示，然后,使用空间域中的2D高斯核函数将其每一帧变换到高斯空间，接下来对经过高斯平滑的视频序列，沿着时间轴方向对每一列元素进行选定窗口的一维Gabor滤波，计算公式如下：R＝(I*g*hev)2+(I*g*hod)2 (1)g(x,y；σ)是2D高斯平滑核函数，hev和hod是1D Gabor滤波器的正交对，hev和hod定义如下： h e v ( t ; τ , w ) = - cos ( 2 π t w ) e - t 2 / τ 2 ; h o d ( t ; τ , w ) = - sin ( 2 π t w ) e - t 2 / τ 2 , - - - ( 2 ) ]]>这里w＝4/τ，σ＝2，τ＝2，当响应值R大于一定阈值时，表明此处有一个兴趣点，得到此处的坐标，并以此坐标为中心提取大小为σ×σ×τ的时空体特征；(2)对视频序列分别在时间轴上和空间上划分等间隔为11*11*4，使视频序列成为一个个小时空体组成的集合，然后以时空体与时空体接点为中心提取等大小的时空体为19*19*13，边缘部分小，最后将两个方面提取的时空体合并成为一个集合用于LDS建模。