主权项 |
一种基于动作子空间与权重化行为识别模型的行为识别方法,其特征在于,包括以下步骤:A1,输入待测试的行为视频序列,利用动态背景检测方法或静态背景检测方法来检测背景图像,利用减背景方法来获取前景图像;A2,提取运动目标的轮廓并对轮廓特征进行相应表示;A3,利用核主成分分析KPCA算法在核引导子空间中对高维特征实现非线性降维,在低维空间中进行行为轨迹的映射;设k是一个半正定核函数,通过式(1)定义两个向量<img file="FSB0000147508170000011.GIF" wi="51" he="86" />和<img file="FSB0000147508170000012.GIF" wi="75" he="97" />之间的非线性关系:<maths num="0001"><math><![CDATA[<mrow><mi>k</mi><mo>(</mo><mrow><msub><mover><mi>x</mi><mo>→</mo></mover><mi>i</mi></msub><mo>,</mo><msub><mover><mi>x</mi><mo>→</mo></mover><mi>j</mi></msub></mrow><mo>)</mo><mo>=</mo><mo>(</mo><mrow><mi>φ</mi><mrow><mo>(</mo><msub><mover><mi>x</mi><mo>→</mo></mover><mi>i</mi></msub><mo>)</mo></mrow><mo>·</mo><mi>φ</mi><mrow><mo>(</mo><msub><mover><mi>x</mi><mo>→</mo></mover><mi>j</mi></msub><mo>)</mo></mrow></mrow><mo>)</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow>]]></math><img file="FSB0000147508170000013.GIF" wi="1803" he="127" /></maths>在H空间寻找主成分的系数问题可以归结为内核矩阵κ的对角化:<maths num="0002"><math><![CDATA[<mrow><mi>γ</mi><mi>λ</mi><mover><mi>e</mi><mo>→</mo></mover><mo>=</mo><mi>κ</mi><mover><mi>e</mi><mo>→</mo></mover><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow>]]></math><img file="FSB0000147508170000014.GIF" wi="1415" he="126" /></maths>其中,<maths num="0003"><math><![CDATA[<mrow><msub><mi>κ</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo>=</mo><mi>k</mi><mrow><mo>(</mo><msub><mover><mi>x</mi><mo>→</mo></mover><mi>i</mi></msub><mo>,</mo><msub><mover><mi>x</mi><mo>→</mo></mover><mi>j</mi></msub><mo>)</mo></mrow><mo>,</mo><mover><mi>e</mi><mo>→</mo></mover><mo>=</mo><msup><mrow><mo>[</mo><msub><mi>e</mi><mn>1</mn></msub><mo>,</mo><msub><mi>e</mi><mn>2</mn></msub><mo>,</mo><mo>...</mo><mo>,</mo><msub><mi>e</mi><mi>γ</mi></msub><mo>]</mo></mrow><mi>T</mi></msup><mo>,</mo></mrow>]]></math><img file="FSB0000147508170000015.GIF" wi="1007" he="137" /></maths>所以<maths num="0004"><math><![CDATA[<mrow><mi>Z</mi><mo>=</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>γ</mi></munderover><msub><mi>e</mi><mi>i</mi></msub><mi>φ</mi><mrow><mo>(</mo><msub><mover><mi>x</mi><mo>→</mo></mover><mi>i</mi></msub><mo>)</mo></mrow><mo>;</mo></mrow>]]></math><img file="FSB0000147508170000016.GIF" wi="421" he="184" /></maths>将新点X映射到第j个主轴Z<sup>j</sup>可表示为:<maths num="0005"><math><![CDATA[<mrow><mo>(</mo><msup><mi>Z</mi><mi>j</mi></msup><mo>·</mo><mi>φ</mi><mo>(</mo><mover><mi>x</mi><mo>→</mo></mover><mo>)</mo><mo>)</mo><mo>=</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>γ</mi></munderover><msubsup><mi>e</mi><mi>i</mi><mi>j</mi></msubsup><mo>(</mo><mi>φ</mi><mo>(</mo><msub><mover><mi>x</mi><mo>→</mo></mover><mi>i</mi></msub><mo>)</mo><mo>·</mo><mi>φ</mi><mo>(</mo><msub><mover><mi>x</mi><mo>→</mo></mover><mi>j</mi></msub><mo>)</mo><mo>)</mo><mo>=</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>γ</mi></munderover><msubsup><mi>e</mi><mi>i</mi><mi>j</mi></msubsup><mi>k</mi><mo>(</mo><mrow><msub><mover><mi>x</mi><mo>→</mo></mover><mi>i</mi></msub><mo>,</mo><msub><mover><mi>x</mi><mo>→</mo></mover><mi>j</mi></msub></mrow><mo>)</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mrow>]]></math><img file="FSB0000147508170000017.GIF" wi="1728" he="186" /></maths>使用高斯核函数;获得包括第一个d主成分的嵌入空间后,任何一个视频v可以被映射为d维特征空间的一个关联轨迹T<sub>o</sub>={O<sub>1</sub>,O<sub>2</sub>,L,O<sub>T</sub>};A4,利用行为识别模型即权重化条件随机场WCRF模型进行行为识别,利用下述方法进行行为建模:设S<sub>l,t</sub>是L链的权重化条件随机场WCRF中链l在时间t的变量,隐状态的分布定义为:<img file="FSB0000147508170000021.GIF" wi="1694" he="364" />其中,G是一个建立在随机变量S和O数据集上的无向模型,设<img file="FSB0000147508170000022.GIF" wi="222" he="116" /><img file="FSB0000147508170000023.GIF" wi="271" he="108" />t=1,2,LT,设<img file="FSB0000147508170000024.GIF" wi="275" he="107" />是G中的类集,<img file="FSB0000147508170000025.GIF" wi="523" he="148" />是所有状态序列的一个归一化因子,{Φ<sub>l</sub>}是内链节点的隐函数,Ψ<sub>l</sub>是链轮节点的隐函数,并根据特征{f<sub>k</sub>}和G的权重λ<sub>k</sub>权重化这些隐函数:<img file="FSB0000147508170000026.GIF" wi="1536" he="386" /> |