[发明专利]一种基于STDF特征的人体行为识别方法

摘要

本发明公开了一种基于STDF特征的人体行为识别算法。算法依据运动剧烈区域在行为识别中提供更多判别信息的思想，利用视频图像的深度信息确定人体运动显著性区域，通过计算区域内光流特征作为度量区域活跃度的能量函数，依据能量函数对运动显著性区域进行高斯取样，使样本点分布于运动剧烈区域。将采集到的样本点作为动作底层特征描述人体行为，结合BoW词袋模型，采用SVM分类器对行为进行识别。实验数据表明，基于STDF特征的人体行为识别算法，在SwustDepth数据集中平均行为识别准确率能够达到92％。

主权项

一种基于STDF特征的人体行为识别方法，其特征在于，包括以下步骤：步骤一：依据视频序列深度信息，提取对应的STDF特征，具体包括：对于一个大小为2W*2H*2T的视频Vp进行降采样，得到一个大小为W*H*2T，分辨率为原视频一半的视频Vr，使用不同尺度的滑动窗口在视频Vr中，提取3D局部时空块，作为root时空块；对于每一个root时空块都有8个对应从Vp中提取的高分辨率的parts特征；时空块特征包含空间结构信息和时间顺序信息；步骤二：提取采样点STDF特征，依据LPM模型建立BoW模型；所述提取采样点STDF特征具体步骤为：步骤21：根据视频序列深度信息求取运动显著性区域；确定五个运动显著性区域后，对五个运动显著性区域进行提取，获得采样样本；步骤22：确定显著性区域的区域活跃度；所述确定显著性区域的区域活跃度具体为：由视频的深度信息确定人体的头部、四肢作为显著性区域；计算显著性区域的Lucas‑Kanade光流特征，作为能量函数，恒量该区域运动运动激烈程度；通过计算区域内光流特征作为度量区域活跃度的能量函数，依据能量函数对运动显著性区域进行高斯采样，使样本点分布于运动剧烈区域；所述能量函数为计算所述显著性区域内像素点的流光之和；步骤23：提取显著性区域的STDF特征点；抽取到的每一个样本点由一五维向量唯一确定(x,y,t,σ,τ)，其中，σ和τ分别是空间和时间中的尺度，(x,y,t)确定样本点在视频中的具体位置，取样块的大小由(σ,τ)决定；一个3D兴趣点s＝(xs,ys,ts,σs,τs)，其中，(xs,ys,ts,σs,τs)表示为在s点处的五维向量，且兴趣点表示为STDF特征；步骤三：使用基于RBF核函数的SVM对建立的BoW中的数据进行分析得到结果。