[发明专利]基于主题知识迁移的人体行为识别方法

摘要

基于主题知识迁移的人体行为识别方法，包括构建训练视角和测试视角下的双语词典，所述双语词典用于将该两个视角下同一动作的低层特征转换成为相同表征；包括低层特征提取、中层特征表示和双语词典获得三个步骤；采用训练视角下的全部动作视频，通过所述双语词典将该视角下不同动作的低层特征分别转换成为表征，训练出识别不同动作的分类模型；采用测试视角下的测试动作视频，通过所述双语词典将该视角下动作的低层特征转换成为表征，运用所述分类模型获得对该动作的识别结果。该方法显著提高了交叉视角下人体行为的识别率，对视角的变化有很高的鲁棒性，在视频监控中有重要的应用价值。

主权项

基于主题知识迁移的人体行为识别方法，其特征是，该方法包括如下步骤：步骤1 构建训练视角和测试视角下的双语词典，所述双语词典用于将该两个视角下同一动作的低层特征转换成为相同表征；包括低层特征提取、中层特征表示和双语词典获得三个步骤；具体包括：步骤11 两个视角的低层特征提取：选取训练视角和测试视角下的训练动作视频，分别通过二维Gabor 滤波的方法选取特征点，并以其为中心提取时空立方体，在每个立方体的中心计算亮度梯度作为立方体描述符，立方体描述符即为低层特征；步骤12 两个视角的中层特征表示：对得到的两个视角下的低层特征分别进行Kmeans聚类，得到训练视角下的第一聚类中心和测试视角下的第二聚类中心；根据两个视角的聚类中心在每个动作样本中的分布将两个视角的动作样本量化为特征直方图，然后用各个视角下的特征直方图分别训练第一LDA模型和第二LDA模型，得到每个样本的主题分布，即中层特征；步骤13双语词典获得：将两个视角下得到的中层特征结合起来，运用K‑奇异值分解算法对其进行分解，形成一个词典对，即为双语词典；步骤2 训练步骤：采用训练视角下的全部动作视频，通过所述双语词典将该视角下不同动作的低层特征分别转换成为表征，训练出识别不同动作的分类模型；具体包括：步骤21低层特征提取：将训练视角下的个体的所有动作视频，通过二维Gabor 滤波的方法选取特征点，并以其为中心提取时空立方体，在每个立方体的中心计算亮度梯度作为立方体描述符，立方体描述符即为低层特征；步骤22 中层特征表示：计算低层特征到第一聚类中心的距离，从而得到低层特征的分类直方图，由第一LDA模型预测得到主题分布，作为中层特征；步骤23 将中层特征通过所述双语词典变换为稀疏表示，对得到的稀疏表示建立能识别不同动作的分类模型；步骤3 识别步骤：采用测试视角下的测试动作视频，通过所述双语词典将该视角下动作的低层特征转换成为表征，运用所述分类模型获得对该动作的识别结果；具体包括：步骤31低层特征提取：将测试视角下的测试动作的视频通过二维Gabor 滤波的方法选取特征点，并以其为中心提取时空立方体，在每个立方体的中心计算亮度梯度作为立方体描述符，立方体描述符即为低层特征；步骤32 中层特征表示：计算低层特征到第二聚类中心的距离，从而得到低层特征的分类直方图，然后将根据第二LDA训练模型预测得到的主题分布作为中层特征；步骤33 将中层特征通过双语词典变换为稀疏表示，并输入到所述的分类模型，得出识别结果。