主权项 |
1.一种基于拉普拉斯正则组稀疏的人体行为识别方法,包括以下步骤: (1)输入人体行为视频序列; (2)提取初级特征: 2a)采用空时角点检测方法,提取人体行为视频序列兴趣点; 2b)根据兴趣点,提取人体行为视频序列的初级特征; (3)构建初始字典和相似度矩阵: 3a)根据人体行为视频序列的初级特征,构建初始字典; 3b)根据人体行为视频序列的初级特征,构建相似度矩阵; (4)编码初级特征: 4a)对人体行为视频序列中,每个视频的初级特征进行拉普拉斯正则的组稀疏编码的目标函数如下: <img file="FDA0000402764570000011.GIF" wi="1073" he="170" />其中,B表示编码系数矩阵,y<sub>i</sub>表示人体行为视频序列中每个视频的初级特征中第i个特征向量,M表示人体行为视频序列中每个视频的初级特征中特征向量的个数,<img file="FDA0000402764570000012.GIF" wi="62" he="82" />表示编码系数矩阵B的第j行第i列元素,d<sub>j</sub>表示初始字典D<sub>0</sub>的第j列,||·||<sup>2</sup>表示l<sub>2</sub>范数的平方和,λ和μ表示平衡编码稀疏矩阵稀疏性和图拉普拉斯约束的正则参数,取值范围是0~1,||·||<sub>p</sub>表示p范数,tr(BLB<sup>T</sup>)表示矩阵BLB<sup>T</sup>的迹,L表示人体行为视频序列中每个视频的图的拉普拉斯矩阵;4b)使用坐标下降的方法,对目标函数进行求解,得到人体行为视频序列中每个视频的初级特征的编码系数矩阵: <img file="FDA0000402764570000013.GIF" wi="858" he="101" />其中,B表示N行M列的编码系数矩阵,N表示初始字典原子的个数,M表 示人体行为视频序列中每个视频的初级特征中特征向量的个数;<img file="FDA0000402764570000025.GIF" wi="62" he="60" />表示编码系数矩阵B的第j行,j表示编码系数矩阵的行坐标,b<sub>i</sub>表示编码系数矩阵B的第i列,i表示编码系数矩阵B的列坐标;4c)对编码系数矩阵B的每一行求l<sub>2</sub>范数,得到人体行为视频序列中每个视频的高级特征Z: Z=[z<sub>1</sub>,...z<sub>k</sub>,...,z<sub>N</sub>]<sup>T</sup>其中,Z表示人体行为视频序列中每个视频的高级特征,z<sub>k</sub>表示人体行为视频序列中每个视频的高级特征Z的第k个元素,z<sub>k</sub>=||B<sub>k</sub>||<sub>2</sub>,||B<sub>k</sub>||<sub>2</sub>表示对编码系数矩阵B的第k行求2范数,k=1,2,...,N,N表示人体行为视频序列中每个视频的高级特征的维数; (5)分类: 5a)将每一个动作者的人体行为视频的所有高级特征分别作为测试集,其他动作者的人体行为视频的高级特征作为训练集,利用训练集中的所有样本组成N行m列的字典H=[H<sub>1</sub>,...,H<sub>j</sub>,...,H<sub>c</sub>],H<sub>j</sub>表示第j类的字典原子,j表示字典的类别标号,j=1,2,...,c,c表示总类别数,N表示人体行为视频序列中每个视频的高级特征的维数,m表示字典H所有原子个数; 5b)按照下式,计算每个测试样本的稀疏编码系数向量: <img file="FDA0000402764570000021.GIF" wi="451" he="103" />其中,<img file="FDA0000402764570000022.GIF" wi="50" he="71" />表示测试集中的测试样本,H是训练集中的所有样本组成的字典,θ表示稀疏编码系数向量,||·||<sub>2</sub><sup>2</sup>表示l<sub>2</sub>范数的平方和,||·||<sub>1</sub>表示向量的l<sub>1</sub>范数,η表示平衡重建误差和编码稀疏性的正则参数,取值范围是0~1。5c)按照下式,计算测试样本在每类字典上的残差: <img file="FDA0000402764570000023.GIF" wi="515" he="110" />其中:<img file="FDA0000402764570000024.GIF" wi="120" he="78" />表示测试样本在每类字典上的残差,<img file="FDA0000402764570000026.GIF" wi="35" he="54" />表示测试集中的测试样本, θ<sub>j</sub>表示测试样本在第j类字典H<sub>j</sub>上的编码系数向量;5d)将最小残差所对应的字典类标赋给测试样本<img file="FDA0000402764570000031.GIF" wi="68" he="72" />得到测试样本的类标。(6)输出检测结果。 |