基于稀疏编码慢特征函数的行为识别方法
【专利摘要】本发明公开了一种基于稀疏编码慢特征函数的行为识别方法，包括下述步骤：S1、对训练集和测试集的视频进行预处理；S2、对步骤S1预处理后的视频，检测特征点；S3、对视频中的特征立方体，提取慢特征函数；S4、对步骤S3提取到的慢特征函数系数进行稀疏编码，获得稀疏慢特征函数系数；S5、对步骤S4得到的稀疏后的慢特征函数与特征立方体做运算，结果作为特征表述子；S6、利用SVM分类器对得到的特征表述子进行特征分类。本发明利用慢特征分析算法提取了行为中的不变量，并通过稀疏编码的方式去除慢特征的冗余信息，此特征函数具有很强的识别能力，识别效果及系统鲁棒性都好。
【专利说明】基于稀疏编码慢特征函数的行为识别方法
【技术领域】
[0001]本发明涉及图像识别与处理的【技术领域】，特别涉及一种基于稀疏编码慢特征函数的行为识别方法。
【背景技术】
[0002]在计算机视觉领域中，行为识别随着人体运动分析的发展在智能视频监控领域具有越来越高的应用价值。但是由于:1)数据采集的环境复杂多样，行为序列背景分割技术还不十分完善；2)在时间尺度上以及空间尺度上，同一种行为或者相似行为通常具有不同的含义；3)由于分类器的学习能力有限而且兴趣点提取的几种方法有利有弊，所以同一段视频行为同时被判别为属于几个类别常常发生。以上种种因素使得人体行为识别成为一个非常具有挑战性的研究领域。
【发明内容】
[0003]本发明的目的在于克服现有技术的缺点与不足，提供一种基于稀疏编码慢特征函数的行为识别方法。
[0004]为了达到上述目的，本发明采用以下技术方案:
[0005]一种基于稀疏编码慢特征函数的行为识别方法，包括下述步骤:
[0006]S1、对训练集和测试集的视频进行预处理；
[0007]S2、对步骤SI预处理后的视频，检测特征点；
[0008]S3、对视频中的特征立方体，提取慢特征函数；
[0009]S4、对步骤S3提取到的慢特征函数系数进行稀疏编码，获得稀疏慢特征函数系数；
[0010]S5、对步骤S4处理后的特征函数与特征立方体运算，得到特征表述子；
[0011]S6、利用SVM分类器，对特征表述子进行分类，得到识别结果。
[0012]优选的，步骤SI中对视频进行预处理的具体方法为:
[0013]S11、采用平滑滤波的方法降低噪声的影响；
[0014]S12、采用光照补偿的方法保证图像的对比度、补偿光照的影响；
[0015]S13、通过背景建模的方法实现提取运动前景，其中采用:a)多层混合背景模型融合彩色空间的颜色测量和局部的纹理特征对背景进行建模山)利用交叉双边滤波器强化相似区域，更好地检测结果和保留边界信息。
[0016]优选的，步骤S2中，采用Harris3D角点提取算法来检测特征点，具体为:
[0017]S21、使用初始空间尺度Cjf = σ;24,和时间尺度彳=,τ,2m稀疏选定的组合，以及积分尺度σ,2 =.?σ丨和=< 在时间和空间上找到时空角点函数H(8)的极大值点Pj == 1...N ,这些点就是兴趣点；
[0018]S22、对每个兴趣点ρ」进行处理；
[0019]S23、在(Xj，Yj, tj)处计算 VL j 和在周边那些olj = 2δ olj，τ-.j = 2s tJj 和 S=-0.25，0，0.25的地方计算出联合尺度；
[0020]S24、选出那些使得(df最大化的联合积分尺度;
[0021 ] S25、如果 σ, ； ^ σ,/ 或者.Xlj 本 Xij 用积分尺度 a/.j = σ,-.y，τ,:.,.= τ,,，局部尺
【权利要求】
1.一种基于稀疏编码慢特征函数的行为识别方法，其特征在于，包括下述步骤: s1、对训练集和测试集的视频进行预处理； s2、对步骤SI预处理后的视频，检测特征点； s3、对视频中的特征立方体，提取慢特征函数； s4、对步骤S3提取到的慢特征函数系数进行稀疏编码，获得稀疏慢特征函数系数； s5、对步骤S4处理后的特征函数与特征立方体运算，得到特征表述子； s6、利用SVM分类器，对特征表述子进行分类，得到识别结果。
2.根据权利要求1所述的基于稀疏编码慢特征函数的行为识别方法，其特征在于，步骤SI中对视频进行预处理的具体方法为: s11、采用平滑滤波的方法降低噪声的影响； s12、采用光照补偿的方法保证图像的对比度、补偿光照的影响； s13、通过背景建模的方法实现提取运动前景，其中采用:a)多层混合背景模型融合彩色空间的颜色测量和局部的纹理特征对背景进行建模山)利用交叉双边滤波器强化相似区域，更好地检测结果和保留边界信息。
3.根据权利要求1所述的基于稀疏编码慢特征函数的行为识别方法，其特征在于，步骤S2中，采用HarriS3D角点提取算法来检测特征点，具体为: S 21、使用初始空间尺度σ,2 = σ〖i，…，σ和时间尺度< =^丨，…，τ ,2 稀疏选定的组合，以及积分尺度口(2=叫和亡=5τ丨在时间和空间上找到时空角点函数H(8)的极大值点pi = {xj, Vj, tj, O1tj ,x]J),j = \...N，这些点就是兴趣点； s22、对每个兴趣点Pj进行处理； s23、在(Xj，yj,tj)处计算VU和在周边那些& = 2s Ouj，?, = 2δ τ-,和δ=-0.25，O, 0.25的地方计算出联合尺度； s24、选出那些使得最大化的联合积分尺度GLg7); s25、如果aijΦ Olj或者xij Φ X1.j用积分尺度di'j = Olj，Vj = Xi'/，局部尺度σ =^J，在最靠近(Xj，Yj, tj)的位置处重新提取兴趣点~ ~~~ ~2 ~2pj = (xj,yj,tj,a,j,xij); ? p.1:=/3/，然后返回步骤S23重新开始执行。
4.根据权利要求1所述的基于稀疏编码慢特征函数的行为识别方法，其特征在于，步骤S2中，采用时空兴趣点检测的角点检测算法来检测特征点，具体为:将视频图像的像素点序列记为I，根据响应函数R = (hg^eJS+d-g*!^)2,计算每个像素点序列的响应值R,计算得到一组响应值R，R的极大值点即为所求兴趣点；
Il1Jt, r, vv) = -cos(2^ivt')e '八 其中_2/ 2其中W = 4/ 31 ;
hnJ [t, r, H-) = -sin(2;rtw)f '''其中g(x，y ; σ )是2D高斯平滑滤波来提供空间兴趣点的探测，hev和h^i是IDGabor滤波器的正交对。
5.根据权利要求1所述的基于稀疏编码慢特征函数的行为识别方法，其特征在于，步骤S3中，在时空兴趣点周围提取局部像素块，利用慢特征分析算法提取慢特征函数，慢特征分析算法步骤如下: s31、将输入长方体像素块整合成输入矩阵:X(t)= [xl(t),x2(t),-,xi(t)]T； s32、求解广义特征值问题:AW= BffA ;其中，A = <χ χτ> t表示输入信号在时间维度上一阶导数协方差的统计平均，B = <x xT>t表示输入信号协方差的统计平均，A是广义特征值组成的对角矩阵，W是广义特征向量组成的矩阵，即为慢特征函数。
6.根据权利要求5所述的基于稀疏编码慢特征函数的行为识别方法，其特征在于，步骤S4中，稀疏慢特征函数的处理: s41、对稀疏慢特征函数进行稀疏编码； s42、以上一步获得的W为初始值，对目标函数
s43、进行求解，获得稀疏后的慢特征函数W; s44、经过对目标函数优化后所得的W即为稀疏后的慢特征函数。
7.根据权利要求1所述的基于稀疏编码慢特征函数的行为识别方法，其特征在于，步骤S5中，所述ASD特征表述子的计算方法如下: s51、计算每一个长方体像素块的ASD特征，具体计算方法如下:对于每一个长方体Ci和映射函数Fj，其一阶导数平方vi，j的计算如下所示:
此处“ ?”表示转换操作； s52、累计计算所有长方体的一阶导数平方求得ASD特征:
此处的N是该序列中长方体个数的总和,其中Vi =〈vi, I, vi, 2...vi, Κ>τ ； s53、对S52中ASD特征进行归一化，得到特征立方体的ASD特征描述子。
8.根据权利要求1所述的基于稀疏编码慢特征函数的行为识别方法，其特征在于，步骤S6中，SVM分类器进行特征分类，使用学习组视频得到的ASD特征描述子进行SVM分类器的训练，使用测试组视频得到的ASD特征描述子进行特征分类。
【文档编号】G06K9/66GK104077608SQ201410259135
【公开日】2014年10月1日 申请日期:2014年6月11日 优先权日:2014年6月11日
【发明者】徐向民, 郭锴凌, 施仁立, 唐永毅 申请人:华南理工大学