[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

摘要

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。

主权项

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，其特征在于：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,...,hi,...,hn)；其中hi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；该方法包括以下步骤：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：Xi，Vi，i＝1,2,...,N；其中随机粒子Xi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Vi的长度和Xi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采用原始人体动作视频和所有选取的关键帧对应的局部特征向量直方图的夹角余弦值作为适应度值，计算公式如下：f(hi,h)=cos(hi,h)=hiTh||hi||×||h||---(1)]]>向量h表示原始动作视频的特征向量直方图，向量hi表示随机粒子Xi选取的所有关键帧对应的局部特征向量直方图；步骤三获得初始粒子群的最优适应度和最优粒子计算每个粒子的适应度值后，初始粒子群的最优适应度为：fmax＝max(f(hi,h))    (2)最优适应度取值所对应的粒子Xi即为初始粒子群的最优粒子；步骤四速度更新对粒子群中所有粒子进行速度更新:Vik+1=Vik+r1(pbest-Xik)+r2(gbest-Xik)---(3)]]>其中，Vik+1为第i个粒子第k+1次迭代后的速度，Vik为第i个粒子第k次迭代后的速度，为第i个粒子第k次迭代后的结果，pbest为粒子的个体最优解，即同一粒子在迭代过程中最优适应度取值所对应的粒子；gbest为种群全局最优解，即迭代过程中全局最优适应度值所对应的粒子；r1和r2为0‑1之间的随机数；通过pbest及gbest修正粒子寻优路径，加速寻找最能表征人体动作特征的关键帧；步骤五速度修正速度向量中每一项对应粒子中该位置元素为1的概率，因此为使得速度向量中的每一项的值在0到1之间，引入标准sigmoid函数进行速度修正：Vid′=sigmoid(Vid)=11+exp(Vid)---(4)]]>其中，Vid为第i个粒子的速度向量Vi第d个元素的值，d＝1,2,...,m；exp()为指数函数；V′id为速度向量Vi第d个元素修正后的速度值；步骤六粒子更新根据每个粒子的速度向量对粒子进行更新：Xid=1if(rand()<sigmoid(Vid))0else---(5)]]>其中，Xid为粒子Xi中第d个元素的值，rand()为0‑1间的随机数；重复步骤四、步骤五、步骤六，当迭代次数达到步骤一中设置的迭代次数M时，gbest中所有值为1的项对应的位置即为人体动作视频选取的关键帧帧序。