一种基于概率融合和降维技术的行为识别方法

摘要

本发明公开了一种基于概率融合和降维技术的行为识别方法，多次使用降维技术来对特征进行降维，从而提高特征的代表性和辨别性：首先基于稠密轨迹来提取局部底层特征，为了节省空间和去除数据的相关性，对局部底层特征分别采用PCA；其次使用Fisher核对局部底层特征进行聚类，形成Fisher向量，从而提高特征的紧凑性、有序性；在FV作为分类器的输入之前对它们采用LDA的降维技术来提高存储效率、训练和测试的时间并且进一步提高特征辨别性；最后对于不同的描述器采用后融合技术进行数据的结合，从而来提高识别率。

主权项

一种基于概率融合和降维技术的行为识别方法，其特征在于：包括如下步骤：(1)建立底层特征描述器：基于稠密轨迹来提取HOG、HOF、MBH和Dentr四个底层特征描述器，然后使用PCA法对四个底层特征描述器分别提取对应特征的特征值和特征向量，将HOG、HOF、MBH和Dentr四个底层特征描述器的维数分别降到64、64、128、20；(2)建立中层特征描述器：使用Fisher核对步骤(1)得到的四个底层特征描述器分别进行聚类，得到的Fisher向量为2KD维向量；其中K为Fisher核中所选的高斯函数的数量；D为底层特征向量的维数，对于步骤(1)得到的四个底层特征描述器HOG、HOF、MBH和Dentr分别对应为64、64、128、20；(3)使用LDA对步骤(2)得到的Fisher向量进行降维；(4)使用步骤(3)得到的Fisher向量进行分类器训练和测试，包括如下步骤：(41)对四个底层特征描述器分别进行训练和测试，得到在当前分类器下各类的概率为P(ω_kX_i)，P(ω_kX_i)表示在底层特征描述器X_i下对应的类ω_k的概率；(42)对各个底层特征描述器得到的概率按照特定规则进行融合，所述特定规则包括最大、最小、中值、权重选举、求和、求积。