[发明专利]一种基于局部特征和词袋模型人体动作识别过程的关键帧选取方法

说明书

本发明公开了一种基于局部特征和词袋模型人体动作识别过程的关键帧选取方法，属于计算机视觉领域。针对局部特征和词袋模型的人体动作识别过程，基于离散粒子群采用夹角余弦值作为适应度值评价关键帧选取前后表征人体动作特征相似度，从原始动作视频中选取与原始动作视频表征动作特征最相似的一组图像作为关键帧。本发明提出的关键帧选取方法可以自动确定关键帧选取数目，避免了基于全局特征选取关键帧计算量大且对背景及光照敏感以及动作识别准确率降低等不足，保证了较高的人体动作识别准确率。

技术领域

本发明涉及一种基于局部特征和词袋模型人体动作识别过程的关键帧选取方法，属于计算机视觉技术领域。

背景技术

人体动作识别广泛应用于人机交互、智能监控、虚拟现实等领域。基于局部特征和词袋模型的人体动作识别方法由于计算简单鲁棒性高等特点受到广泛关注。但人体动作识别的视频图像帧数多，不同帧包含了相同的人体动作特征，存在数据量大，用于动作识别的信息冗余等问题，导致识别速度慢和识别准确率低。因此对人体动作视频进行有效的关键帧选取可以去除冗余信息，减少动作识别过程中的特征数目，同时保证人体动作识别准确率。

目前，常见的关键帧选取方法首先要对原始视频进行镜头分割。Zhuang等通过对不同镜头中所有帧的颜色直方图向量聚类选取关键帧，聚类中心个数即为关键帧选取数目，但聚类中心数目需要人为确定。为自动确定关键帧的提取数目，Magda等利用相邻两帧的颜色直方图差分作为适应度值通过离散粒子群选取关键帧，但基于全局特征进行人体动作识别，不仅运算量高且对背景及光照变化敏感。Zhao等利用局部时空特征的信息熵选取关键帧进行人体动作识别，但该方法无法自动确定关键帧选取数目，利用该方法选取的关键帧进行人体动作识别的准确率有所降低。

因此，针对目前关键帧选取方法关键帧选取数目需人为确定、基于全局特征计算量大且对背景及光照敏感以及动作识别准确率降低等不足，本发明提出一种基于局部特征和词袋模型自动确定关键帧数目的关键帧选取方法，利用本发明选取的关键帧进行人体动作识别，保证了较高的准确率。

发明内容

本发明针对局部特征和词袋模型人体动作识别过程视频图像帧数多，信息量大，不同帧图像中动作特征冗余，导致识别准确率低等问题提出一种关键帧选取方法。基于离散粒子群采用夹角余弦值作为适应度值评价关键帧选取前后表征人体动作特征相似度，从原始动作视频中选取与原始动作视频表征动作特征最相似的一组图像帧作为关键帧。

本发明采用的技术方案为一种基于局部特征和词袋模型人体动作识别过程的关键帧选取方法，基于局部特征和词袋模型的人体动作识别过程如下：首先提取人体动作局部特征，将局部特征聚类映射为不同的视觉词汇，所有视觉词汇构成视觉词典。

计算每个人体动作视频所有视觉词汇出现的概率，得到视觉词汇分布特征向量直方图h＝(h₁,h₂,...,h_i,...,h_n)。其中h_i为第i个视觉词汇在人体动作视频中出现的概率，n为视觉词典大小。将h作为描述人体动作视频的特征向量输入分类器进行动作识别。

采用局部特征和词袋模型基于离散粒子群选取关键帧进行人体动作识别的特征在于：如图1所示，包括以下步骤：

步骤一设定初始参数

利用离散粒子群选取人体动作视频关键帧的初始参数设定包括：种群个数N，迭代次数M，随机粒子及速度：X_i，V_i，i＝1,2,...,N。

其中随机粒子X_i为二进制向量，长度等于原始人体动作视频帧数m。向量中元素值为1表示选取该帧为关键帧，否则为0。速度向量V_i的长度和X_i相同，向量中的每一项为0-1的随机数，表征随机粒子中元素为1的概率。

步骤二计算每个粒子的适应度值