主权项 |
一种基于二分类进化特征学习的人体行为识别方法,包括如下步骤:(1)输入训练集和测试集的所有视频,每个视频中只含有一种行为,分别提取每一个视频的四种局部特征:密度轨迹、方向梯度直方图、方向光流直方图和运动边界直方图;(2)将提取出来的所有视频的第cd种特征向量按行排列到一起构成特征矩阵<img file="FDA0001015452730000011.GIF" wi="286" he="70" />V<sub>cd</sub>中的第i行表示从视频集中第i个视频提取出来的编号为cd的特征向量,其中cd∈{1,2,3,4},表示不同特征的编号,分别对应上述四种特征,i∈{1,2,...,N},N表示所有视频的个数,D<sub>cd</sub>表示第cd种特征的维数,<img file="FDA0001015452730000012.GIF" wi="125" he="54" />表示N行D<sub>cd</sub>列的实数空间;(3)从每一个特征矩阵V<sub>cd</sub>中随机抽取5%行数据构成矩阵并使用主成分分析对其降维,用降维后的数据构建高斯混合模型GMM并求解,得到求解后的高斯混合模型参数gmm<sub>cd</sub>,该gmm<sub>cd</sub>中包括第cd类特征所对应GMM模型的权值、均值和方差;(4)根据(3)中计算得到的高斯混合模型参数gmm<sub>cd</sub>,对每一个视频对应的特征矩阵V<sub>i,cd</sub>进行费舍向量变换,得到V<sub>i,cd</sub>对应的费舍特征向量V<sub>i,cd_fv</sub>,其中下标i表示视频集中的第i个视频;(5)对每一个费舍特征向量V<sub>i,cd_fv</sub>计算正向和逆向进化序列:(5a)每一个V<sub>i,cd_fv</sub>用<img file="FDA0001015452730000013.GIF" wi="827" he="86" />表示,其中x<sub>ij</sub>表示第i个视频的第j个局部特征向量,n表示第i个视频的特征向量个数,符号[·]<sup>T</sup>表示矩阵的转置;(5b)计算V<sub>i,cd_fv</sub>对应的正向进化序列:<img file="FDA0001015452730000014.GIF" wi="982" he="71" />其中vo<sub>ij</sub>表示第i个视频对应正向进化序列V<sub>i,cd_order</sub>中的第j个向量,计算公式为<img file="FDA0001015452730000015.GIF" wi="269" he="134" />j∈{1,2,...,n};(5c)计算V<sub>i,cd_fv</sub>对应的逆向进化序列:<img file="FDA0001015452730000021.GIF" wi="942" he="71" />其中vr<sub>ij</sub>表示第i个视频对应逆向进化序列V<sub>i,cd_reverse</sub>中的第j个向量,计算公式为<img file="FDA0001015452730000022.GIF" wi="285" he="143" />j∈{1,2,...,n};(6)对每一个正向进化序列V<sub>i,cd_order</sub>和逆向进化序列V<sub>i,cd_reverse</sub>计算进化步长:(6a)计算正向进化序列V<sub>i,cd_order</sub>的进化步长:<maths num="0001"><math><![CDATA[<mrow><msub><mi>U</mi><mrow><mi>i</mi><mo>,</mo><mi>c</mi><mi>d</mi><mo>_</mo><mi>o</mi><mi>r</mi><mi>d</mi><mi>e</mi><mi>r</mi></mrow></msub><mo>=</mo><mo>[</mo><msub><mi>uo</mi><mrow><mi>i</mi><mn>1</mn></mrow></msub><mo>,</mo><msub><mi>uo</mi><mrow><mi>i</mi><mn>2</mn></mrow></msub><mo>,</mo><msub><mi>uo</mi><mrow><mi>i</mi><mn>3</mn></mrow></msub><mo>,</mo><mn>...</mn><mo>,</mo><msub><mi>uo</mi><mrow><mi>i</mi><mi>k</mi></mrow></msub><mo>,</mo><mn>...</mn><mo>,</mo><msub><mi>uo</mi><mrow><mi>i</mi><mi>m</mi></mrow></msub><mo>]</mo><mo>∈</mo><msup><mi>R</mi><mrow><mi>m</mi><mo>×</mo><msub><mi>D</mi><mrow><mi>c</mi><mi>d</mi></mrow></msub></mrow></msup><mo>,</mo></mrow>]]></math><img file="FDA0001015452730000023.GIF" wi="1006" he="71" /></maths>其中uo<sub>ik</sub>表示第i个视频对应正向进化步长U<sub>i,cd_order</sub>中的第k个向量,计算公式为<img file="FDA0001015452730000024.GIF" wi="494" he="135" />B∈{2,3,...,7,...,15}表示进化步长计算范围,k∈{1,2,...,m},m=n‑B;(6b)计算逆向进化序列V<sub>i,cd_reverse</sub>的进化步长:<maths num="0002"><math><![CDATA[<mrow><msub><mi>U</mi><mrow><mi>i</mi><mo>,</mo><mi>c</mi><mi>d</mi><mo>_</mo><mi>r</mi><mi>e</mi><mi>v</mi><mi>e</mi><mi>r</mi><mi>s</mi><mi>e</mi></mrow></msub><mo>=</mo><mo>[</mo><msub><mi>ur</mi><mrow><mi>i</mi><mn>1</mn></mrow></msub><mo>,</mo><msub><mi>ur</mi><mrow><mi>i</mi><mn>2</mn></mrow></msub><mo>,</mo><msub><mi>ur</mi><mrow><mi>i</mi><mn>3</mn></mrow></msub><mo>,</mo><mn>...</mn><mo>,</mo><msub><mi>ur</mi><mrow><mi>i</mi><mi>k</mi></mrow></msub><mo>,</mo><mn>...</mn><mo>,</mo><msub><mi>ur</mi><mrow><mi>i</mi><mi>m</mi></mrow></msub><mo>]</mo><mo>∈</mo><msup><mi>R</mi><mrow><mi>m</mi><mo>×</mo><msub><mi>D</mi><mrow><mi>c</mi><mi>d</mi></mrow></msub></mrow></msup><mo>,</mo></mrow>]]></math><img file="FDA0001015452730000025.GIF" wi="990" he="71" /></maths>其中ur<sub>ik</sub>表示第i个视频对应逆向进化步长U<sub>i,cd_reverse</sub>中的第k个向量,计算公式:<img file="FDA0001015452730000026.GIF" wi="454" he="134" />B∈{2,3,...,7,...,15}表示进化步长计算范围,k∈{1,2,...,m},m=n‑B;(7)对每一个费舍特征V<sub>i,cd</sub>提取二分类进化特征,即设定每一个正向进化步长U<sub>i,cd_order</sub>的类别标签为1,每一个逆向进化步长U<sub>i,cd_reverse</sub>的类别标签为‑1,构建进化步长数据集(TR<sub>i,cd</sub>,Y<sub>i,cd</sub>);在进化步长数据集(TR<sub>i,cd</sub>,Y<sub>i,cd</sub>)上训练一个二分类支持向量机分类器,得到二分类支持向量机判别面的法向量w<sub>i,cd</sub>即为V<sub>i,cd</sub>的二分类进化特征,其中样本<img file="FDA0001015452730000027.GIF" wi="789" he="79" />样本标签Y<sub>i,cd</sub>=[1<sup>m×1</sup>;(‑1)<sup>m×1</sup>]∈R<sup>2m×1</sup>,符号";"表示按行排列,1<sup>m×1</sup>表示m行1列值为1的向量,(‑1)<sup>m×1</sup>表示m行1列值为‑1的向量;(8)将属于训练集的视频第cd种特征的二分类进化特征集合作为训练样本集TR,将属于测试集的视频第cd种特征的二分类进化特征集合作为测试样本集TE,在训练样本集TR上训练一个多分类支持向量机模型并对测试样本集TE进行分类,得到分类结果,该结果的正确率即为第cd种特征的人体行为识别正确率。 |