[发明专利]基于第二代Bandelet统计特征的人体运动识别方法

权利要求书

1.一种基于第二代Bandelet统计特征的人体运动识别方法，包括如下步骤：

(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，进行第二代Bandelet变换，提取每幅图像的Bandelet系数；

(3)计算每幅图像Bandelet系数的7类统计特征，分别为能量特征V_e，熵特征V_s，最大值特征V_max，最小值特征V_min，对比度特征V_c，均值特征V_μ和方差特征V_v；

(4)将上述所有统计特征级联，得到单幅序列图像的特征V＝{V_e，V_s，V_max，V_min，V_c，V_μ，V_v}；

(5)按照上述步骤(2)~(4)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^*；

(6)利用Adaboost算法和训练样本特征集X^*对这7类Bandelet统计特征进行选择，在特征选择的同时训练并构建分类器：

(6.1)训练样本特征集X^*包括m个训练样本的特征集合xi,i＝1,2....m，其对应的类别标签为y_i∈Y＝{1,...k}，其中k为总的运动类别数；

(6.2)对所有样本赋予初始权重w₁(i)＝1/(mk)，置初始循环次数t＝1；

(6.3)将所有样本权重归一化为

(6.4)对上述单幅序列图像的7类Bandelet统计特征中每类特征j,j＝1,2，...7，设计弱分类器并计算每个弱分类器的误差：

err(t)=Σi=1mwt(i)Π(yi≠Tj(t)(xi))/Σi=1mwt(i),]]>其中符号Π表示求积；

(6.5)在所有弱分类器中，选择误差最小的弱分类器T^(t)；

(6.6)计算弱分类器置信：将所有样本的权重更新为w_t+1(i)＝w_t(i)*exp{α^(t)Π[y_i≠T^(t)(x_i)]},i＝1，.....m；

(6.7)令循环次数t＝t+1，返回到步骤(6.3)，直至循环次数t＝N；

(6.8)用每次迭代被选中的弱分类器和其对应的置信组合成一个强分类器，即最终的分类器：H=argmaxΣt=1Nα(t)Π(T(t)=k);]]>

(7)将测试样本特征集T^*输入到已训练好的分类器H中得到各类运动的分类结果。