[发明专利]基于低秩表示的人体行为识别方法

摘要

本发明公开了一种基于低秩表示的人体行为识别方法，主要解决现有技术对视频中的行为识别率低的问题。其识别过程为：(1)输入所有视频，利用k均值对所有行为检测到的局部特征进行聚类得到一个码书；(2)通过带有系数归一化约束的低秩表示LRR对每个视频的所有特征进行编码；(3)将每个视频的编码系数向量化，得到每个视频的最终表示；(4)将得到最终表示的所有视频分组，一组作为训练样本，一组作为测试样本，利用训练样本的视频表示组成字典；(5)基于新组成的字典上，利用稀疏表示对测试样本进行编码并确定测试样本的类标,完成测试样本中人体行为的识别。本发明增强了视频表示的判别性，提高了对视频中人体行为的识别率，可用于智能监控。

主权项

1.一种基于低秩表示的人体行为识别方法，包括如下步骤：（1）输入所有视频，每个视频中只含有一种行为，利用Cuboid特征检测和描述算法中的Cuboid检测子和描述子分别对视频中的行为进行局部特征检测和描述；（2）利用k均值法，对所有视频的行为局部特征进行聚类，形成一个码书：其中：a_k表示每个聚类中心，k=1,2,…,l，l表示聚类中心的个数，d表示聚类中心的维数；（3）利用带有系数归一化约束的低秩表示LRR，在码书A上对每个视频中的行为所包含的局部特征进行编码：（3a）假设视频中的行为有n个局部特征，用表示，其中：x_i表示第i个局部特征，i=1,2,…,n，d表示局部特征的维数；（3b）在码书A上，利用如下公式进行编码：minZ,E||Z||*+λ||E||2,1,s.t.X=AZ+E,1Z=1^]]>其中：Z表示局部特征在码书A上的编码系数，E表示噪声，‖·‖_*表示一种矩阵奇异值之和的核函数，参数λ用来权衡低秩和噪声的影响，‖E‖_2,1表示对E的l_2,1范数，E_ij为E的第i行第j列元素，矩阵1和中每个元素均为1；（3c）利用中间变量J代替(3b)中的Z，将编码公式转化为：minZ,E,J||J||*+λ||E||2,1,s.t.X=AZ+E,Z=J,1Z=1^]]>由此将对Z的多约束优化问题简化为对J的单约束优化，利用增强拉格朗日乘子ALM算法对该公式进行求解，得到一个行为的所有局部特征对应的编码系数（4）对每个人体行为的局部特征，根据步骤（3c）中得到的编码系数，应用maxpooling算法，将每个人体行为表示成一个l维的列向量:z*=[z^1,z^2,...,z^k,...,z^l]T,k=1,2,...,l]]>其中z^k=max(|zk1|,|zk2|,...,|zki|,...,|zkn|),i=1,2,...,n,]]>z_ki表示Z的第k行第i列元素;（5）把一个动作者的所有行为视频作为测试样本集，其他动作者的所有行为视频作为训练集，训练集样本个数为m，利用所有训练样本的编码系数组成字典其中m是字典原子个数，j是字典的类别标号,c为总类别数；（6）利用随机生成的线性变换矩阵对每个测试样本进行降维，b＜＜l，得到降维后的测试样本：并通过下式得到每个测试样本的编码系数β：minβ||y^-RDβ||22+η||β||1,]]>其中，‖·‖₂表示向量的l₂范数，‖·‖₁表示向量的l₁范数，R均值为0，方差为1，D是训练样本组成的字典，η是用于平衡重建误差和编码稀疏性的参数，取值范围为0-1；（7）计算测试样本在每类字典上的残差rj(y^)=||y^-RDjβj||22/||βj||2,j=1,2,...,c]]>其中：β_j是测试样本在第j类字典D_j上的编码系数，如果在第j类字典上的残差最小，则赋予测试样本的类标为j；（8）重复步骤（5）-（7），依次对每个动作者的所有行为进行分类，得到所有动作者的所有行为类标，并用分类标号对应不同的人体行为。