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

摘要

本发明公开了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，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；A4，利用行为识别模型即WCRF模型进行行为识别。实验结果表明，提出的框架不仅能够准确地识别随时间、区域内外人员变化的人类行为，而且对噪声和其它影响因素鲁棒性强。

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)定义两个向量和之间的非线性关系：$k\left({\overrightarrow{x}}_i,{\overrightarrow{x}}_j\right)=\left(\phi \left({\overrightarrow{x}}_i\right)·\phi \left({\overrightarrow{x}}_j\right)\right)---\left(1\right)$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：$\gamma \lambda \overrightarrow{e}=\kappa \overrightarrow{e}---\left(2\right)$其中，${\kappa }_{ij}=k({\overrightarrow{x}}_i,{\overrightarrow{x}}_j),\overrightarrow{e}={[e_1,e_2,...,e_{\gamma }]}^T,$所以$Z=\underset{i=1}{\overset{\gamma }{\Sigma }}{e}_i\phi \left({\overrightarrow{x}}_i\right);$将新点X映射到第j个主轴Z^j可表示为：$(Z^j·\phi (\overrightarrow{x}\left)\right)=\underset{i=1}{\overset{\gamma }{\Sigma }}{e}_i^j\left(\phi \right({\overrightarrow{x}}_i)·\phi ({\overrightarrow{x}}_j\left)\right)=\underset{i=1}{\overset{\gamma }{\Sigma }}{e}_i^{j}k\left({\overrightarrow{x}}_i,{\overrightarrow{x}}_j\right)---\left(3\right)$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_o＝{O₁，O₂，L，O_T}；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_l，t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：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t＝1，2，LT，设是G中的类集，是所有状态序列的一个归一化因子，{Φ_l}是内链节点的隐函数，Ψ_l是链轮节点的隐函数，并根据特征{f_k}和G的权重λ_k权重化这些隐函数：