本發(fā)明專利技術(shù)公開了一種基于動作子空間與權(quán)重化行為識別模型的行為識別方法，包括以下步驟：A1，輸入待測試的行為視頻序列，利用動態(tài)背景檢測方法或靜態(tài)背景檢測方法來檢測背景圖像，利用減背景方法來獲取前景圖像；A2，提取運動目標(biāo)的輪廓并對輪廓特征進(jìn)行相應(yīng)表示；A3，利用KPCA算法在核引導(dǎo)子空間中對高維特征實現(xiàn)非線性降維，在低維空間中進(jìn)行行為軌跡的映射；A4，利用行為識別模型即WCRF模型進(jìn)行行為識別。實驗結(jié)果表明，提出的框架不僅能夠準(zhǔn)確地識別隨時間、區(qū)域內(nèi)外人員變化的人類行為，而且對噪聲和其它影響因素魯棒性強(qiáng)。
【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及的是。
技術(shù)介紹
人類行為識別有著廣泛的應(yīng)用前景，如視頻監(jiān)控和監(jiān)測、對象視頻摘要、智能接口、人機(jī)交互、體育視頻分析、視頻檢索等。吸引了越來越多計算機(jī)視覺研究者的關(guān)注。通常，行為識別涉及兩個重要問題。其一是如何從原始視頻數(shù)據(jù)中提取有用的運動信息，其二是如何建立運動參考模型，使訓(xùn)練和識別方法能有效地處理空間和時間尺度變化的類內(nèi)類似行為。行為識別可以利用各種線索，例如，關(guān)鍵姿勢、光流、局部描述符、運動軌跡或特征跟蹤、輪廓等。但是使用關(guān)鍵幀缺乏運動信息。根據(jù)光流或興趣點的行為識別在平滑的表面，運動奇異性和低質(zhì)量的視頻情況下是不可靠的。由于人體外表和關(guān)節(jié)出現(xiàn)大的變化，特征跟蹤也并非容易實現(xiàn)。由于人類行為是一種時空行為，時空模型(如Hidden Markov Models, HMMs及其變種)已被廣泛用于人體動作建模。然而，該生成模型通常使用了強(qiáng)烈的獨立性假設(shè)，這使得它很難適應(yīng)多種復(fù)雜的特征或觀測中的遠(yuǎn)距離依賴關(guān)系。由Lafferty提出的條件隨機(jī)場模型(CRFs)避免觀察之間的獨立性假設(shè)，同時將復(fù)雜的特征和遠(yuǎn)距離依賴關(guān)系融合進(jìn)模型中。參考文獻(xiàn)S. Wang,Q. Ariadna,L. P. Morency,et al. Hidden conditional random fieldsfor gesture recognition. CVPR, US New York, 2006, 2 :1521-1527. Z. ff. Wang, S. Z. Li , S. Z. Su , et al. A quickly-speed runningwatermarkingalgorithm based on quantum evolutionary algorithm. Journal ofOptoelectronics Laser,2010,21(5) :737-742.G. V. Veres, L. Gordon, J. N. Carter, et al. What image information isimportant in silhouette-based gait recognition ·CVPR, US -Washington, DC,2004,2 :776-782.Y. Dedeoglu, B. U. Toreyin, U. Giidiikbay, et al. Silhouette-based methodforobject classification and human action recognition in video. ECCV2006fforkshop on HCI, Austria Graz,2006 :64-77.L. wang,d. suter. Recognizing Human Activities from Silhouettes MotionSubspace and Factorial Discriminative Graphical Model· US-Minneapolis, MN,CVPR,2007 l-8.C. Schuldt, I. Laptev, and B. Caputo. Recognizing human actions a localSVM approach . ICPR, UK Cambridge, 2004, 3 :32-36. N. Nguyen, D. Phung, S. Venkatesh, et al. Learning and detectingactivities from movement trajectories using the hierarchical hidden Markovmodels, CVPR, US San Diego, CA，2005，2 :955-960. J. Ben-Arie, Z. Wang, P. Pandit, et al. Human activity recognition usingmultidimensional indexing. IEEE Transactions on Pattern Analysis and MachineIntelligence，2002，24(8) :1091-1104.A.Bobick and J.Davis, The recognition of human movement usingtemporal templates. IEEE Transactions on Pattern Analysis and MachineIntelligence，2001，23(3) :257-267.L. Gorelick, M. Blank, E. Shechtman, et al. Action as space-timeshapes. IEEE Transactions on Pattern Analysis and Machine Intelligence，2007，29(12) :2247-2253.M. Brand, N. Oliver and A. Pentland. Coupled hidden Markov models forcomplexaction recognition . CVPR, US San Juan, PR，1997 :994-999.C. Sutton, A. McCallum, K. Rohanimanesh. Dynamic conditional randomfields :Factorized probabilistic models for labeling and segmenting sequencedata · Journal of Machine Learning Research，2007，8 :693-723.B. Scholkopf，A. Smola，and K. Muller. Nonlinear component analysis as akernel eigenvalue problem. Neural Computation，1998，10 (5) :1299-1319. J. C. Niebles, H. C. Wang, F. F. Li. Unsupervised learning of human actioncategories using spatial-temporal words. International Journal of ComputerVision，2008，79(3) :299-318. A. Veeraraghavan, R.Chellappa，and A. K. Roy-Chowdhury, The functionspace of an activity . CVPR, US New York，2006，I :959-966.
技術(shù)實現(xiàn)思路
本專利技術(shù)在此基礎(chǔ)上提出了具有聯(lián)合判別學(xué)習(xí)能力的基于動作子空間與權(quán)重化行為識別模型的行為識別方法。使用KPCA來發(fā)現(xiàn)關(guān)節(jié)動作空間的內(nèi)在結(jié)構(gòu)，并利用權(quán)重化條件隨機(jī)場從簡單的輪廓觀察中識別人類行為。實驗結(jié)果證明了提出本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點】
一種基于動作子空間與權(quán)重化行為識別模型的行為識別方法，其特征在于，包括以下步驟：A1，輸入待測試的行為視頻序列，利用動態(tài)背景檢測方法或靜態(tài)背景檢測方法來檢測背景圖像，利用減背景方法來獲取前景圖像；A2，提取運動目標(biāo)的輪廓并對輪廓特征進(jìn)行相應(yīng)表示；A3，利用KPCA算法在核引導(dǎo)子空間中對高維特征實現(xiàn)非線性降維，在低維空間中進(jìn)行行為軌跡的映射；A4，利用行為識別模型即WCRF模型進(jìn)行行為識別。
【技術(shù)特征摘要】
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王智文，劉美珍，夏冬雪，蔡啟先，李紹滋，唐新來，羅功坤，陽樹洪，廖志高，
申請(專利權(quán))人：廣西工學(xué)院，王智文，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。