基于第二代Curvelet变换的人体运动识别方法

摘要

本发明提出了一种基于第二代Curvelet变换的人体运动识别方法，主要解决现有技术中特征提取复杂、表征能力弱的问题。其实现步骤是：(1)将WEIZMANN数据库中的每段视频转换为连续的单幅序列图像，并按8:1比例构建训练样本集X和测试样本集T；(2)利用第二代Curvelet工具包对训练样本集X中的单幅序列图像进行第二代Curvelet变换，得到的各个尺度的系数矩阵，并提取图像的边缘特征Vb和纹理特征Vt；(3)将两类特征级联,作为单幅序列图像的最终特征：V＝{Vb,Vt}；(4)按上述步骤分别对训练样本集X和测试样本集T中的所有序列图像进行提取特征，获得训练样本特征集X'和测试样本特征集T'，并对其进行学训练，获得分类结果。本发明能准确识别人体运动，可用于视频监控、目标识别和运动识别的视频处理。

主权项

一种基于第二代Curvelet变换的人体运动识别方法，包括步骤如下：(1)将WEIZMANN数据库中的每段视频转换为连续的单幅序列图像，并按照8：1的比例构建训练样本集X和测试样本集T；(2)对训练样本集X中的单幅序列图像，利用第二代Curvelet工具包进行Curvelet变换，得到5个尺度的系数矩阵C，C＝{Ci},i＝1,2,3,4,5；(3)将每个尺度的系数矩阵Ci的每个子带，采用非重叠的方式按照4*4或8*8的大小进行二进剖分，计算每个剖分子块的边缘特征向量vb，将所有剖分子块的边缘特征向量vb归一化后级联，得到单幅序列图像的边缘特征Vb；(4)将第一尺度的系数矩阵C1按照4*4的大小采用1/2重叠的方式进行二进剖分，计算每个剖分子块上的共生矩阵特征向量vt，将所有剖分子块的共生矩阵特征向量归一化后级联，得到单幅序列图像的纹理特征Vt；(5)将上述边缘特征Vb和纹理特征Vt级联,得到单幅序列图像的最终特征V＝{Vb,Vt}；(6)按照上述步骤(2)~(5)分别将训练样本集X和测试样本集T中的所有序列图像提取特征，获得训练样本特征集X′和测试样本特征集T′；(7)利用SVM算法对训练样本特征集X′进行训练学习得到分类器；将测试样本特征集T′输入分类器得到各类运动的分类结果。