[发明专利]基于隐Markov模型的视频行为活动识别关键算法

摘要

一种基于PSO的隐Markov模型参数学习算法以及基于事件概率法的视频轨迹行为识别系统框架和基于视频人体运动的行为活动建模，首先从视频序列中提取行为活动的目标运动轨线特征，利用隐Markov模型以语义事件概率的方式对行为活动进行表示，从而完成对行为活动的建模。同时，基于粒子群优化算法对隐Markov模型中的参数学习算法进行改进，使得HMM的学习问题可以跳出局部最优。然后，采用时间规整法对视频人体运动建模得到的事件概率序列进行匹配以识别目标行为活动。通过Central Florida大学的人体运动数据集(UCF Human Action Dataset)和来自UCI‑KDD的ASL(Australia Sign Language)复杂运动轨迹数据集实验表明，本文提出的方法与Baum‑Welch参数估计方法相比，在行为建模的学习性能上具有较高的优越性,在识别率上取得更好的结果。

主权项

一种PSO改进的HMM学习方法，其特征在于，步骤1，采用新的目标优化函数log(P(O|λ))构建优化模型；步骤2，对粒子位置的向量X＝(x1,…,x N*N+3N*M*D+N)，如果X满足约束条件，则跳出，如果xi<Xmin,则xi＝Xmin‑xi；若xi>Xmax,则xi＝Xmax；步骤3，如果X满足约束条件，则跳出，若则xi＝1/N,其中k＝{0,…,N‑1}；步骤4，如果X仍然不满足约束条件，则采用归一化方法对粒子位置进行修正，定义X为违反约束条件的粒子位置，X*为修正后的粒子位置，其公式描述如下：对转移矩阵A，即粒子的前N2维：1≤i≤N,k＝{0,…,N‑1}；对表示权值系数c的维数，即粒子的N2+1到N2+N*M*D维：N2+1≤i≤N2+N*M*D；对表示协方差矩阵Σ的维数，即粒子的N2+N*M*D+1到N2+2N*M*D维：N2+N*M*D+1≤i≤N2+2N*M*D；对HMM的初始分布π，即粒子的后N维：N2+3N*M*D+1≤i≤N2+3N*M*D+N。