基于独立子空间网络的行为识别方法

摘要

本发明公开了一种基于独立子空间网络的行为识别方法；其具体包括以下步骤：预处理并学空间特征、提取时空特征、将视频表征为直方图向量、训练SVM分类器和行为识别。本发明的基于独立子空间网络的行为识别方法通过从视频数据中提取空间特征，然后对这些空间特征进行池化以获取与时空特征等效的特征，再用词袋的方法，将每个视频序列表征为一个关于词袋中各单词的直方图向量，然后利用训练好的多个SVM分类器，应用一对多的策略进行多类别的行为识别，增加行为识别的鲁棒性，提高行为识别率。

主权项

一种基于独立子空间网络的行为识别方法，其特征在于，包括以下步骤：S1.对视频进行预处理，并利用独立子空间网络学习空间特征，具体包括以下步骤：S11.将KTH数据库中的KTH数据分割为训练集和测试集；S12.从训练集中随机采样尺寸为32×32×5的基本视频块单元，并将基本视频块单元中的每一帧图像转化为灰度图像；S13.对灰度化处理后的基本视频块单元作局部对比归一化预处理，得到尺寸为24×24×5的基本视频块单元；S14.利用预处理后的基本视频块单元，采用独立子空间网络学习空间特征；S2.采用从时间与空间上对特征进行最大值池化的方法提取时空特征，具体包括以下步骤：S21.从训练集中密集采样尺寸为44×44×11视频块，并将视频块中的每一帧图像转化为灰度图像；S22.将灰度化处理的视频块部分重叠的分割为尺寸为32×32×5的基本视频块单元，并对每一个基本视频块单元作局部对比归一化预处理；S23.将预处理后的基本视频块单元进行spatial pooling操作与temporal pooling操作，并将得到的特征向量合并为一个特征向量；S3.采用K‑means聚类方法，将每个视频表征为直方图向量，具体包括以下步骤：S31.根据步骤S2中得到的特征向量，利用K‑means聚类方法对特征向量进行聚类，形成一个具有一定数目单词的词袋；S32.对训练集中的所有特征向量分配单词标签，并将每个视频表示为其所有特征向量在词袋中出现频率的直方图向量；S4.根据步骤S3中的直方图向量，对每类行为以该类行为的直方图向量为正样本，其他类型行为的直方图向量为负样本，训练非线性χ²‑kernel SVM分类器；S5.将测试集中视频表征为直方图向量，并依据多个SVM分类器，采用一对多的分类策略对多类行为进行识别。