[发明专利]一种基于运动历史图像与卷积神经网络的行为识别方法

权利要求书

1.一种基于运动历史图像与卷积神经网络的行为识别方法，其特征在于，包括以下步骤：

S1、获取输入的原始视频图像，通过基于运动历史图像的行为序列特征提取方法对其进行处理：先通过帧差算法提取原始视频图像中的前景，再由一段时间内的前景生成全局运动历史图像，采用最小外界矩形原则对全局运动历史图像进行运动区域的分割，并对其进行归一化处理，得到局部运动历史图像；

S2、采用基于深度卷积神经网络的方法对局部运动历史图像进行行为识别：将得到的局部运动历史图像划分为训练集和测试集，搭建去除LRN层的AlexNet神经网络模型，将训练集和测试集代入该神经网络模型中，通过随机梯度下降法进行神经网络模型的权值参数的迭代更新，并通过Dropout策略抑制过拟合，得到行为类别分类器；最终通过该行为类别分类器输出行为识别结果；

步骤S2中基于深度卷积神经网络的方法对局部运动历史图像进行行为识别方法的具体实现为：

S21、卷积神经网络中特征提取部分的构建：针对去除LRN层后的AlexNet网络的构建，先搭建特征提取部分，包含5个卷积层以及3个池化层，在每一层卷积后面都设置有ReLU激活函数层；特征提取部分用于提取局部运动历史图像中的特征，并将其传给卷积神经网络的分类器部分；

S22、卷积神经网络中分类器的构建：分类器部分由3层全连接层和一层损失层构成，其中全连接层的每个输入节点都与所有输出节点相连，而损失层通过Softmax函数将最后一层输出结果映射到概率分布，并由此概率分布得到负对数似然损失；取概率分布中的最大值作为分类结果，并以损失函数作为神经网络参数更新的依据；

S23、卷积神经网络的训练过程：卷积神经网络的训练过程包括正向传播阶段与反向传播阶段；在正向传播阶段，卷积神经网络依据输入运动历史图像信息计算分类结果，得到损失；在反向传播阶段，根据链式规则计算误差梯度，利用随机梯度下降法进行权值参数的迭代更新；

S24、采用Dropout策略对训练进行优化：在训练过程中，Dropout策略按照设定的概率丢弃掉神经网络中的隐藏节点，使部分神经元失活，减小神经网络模型的复杂度，抑制神经网络的过拟合现象；最终得到训练后的行为类别分类器。

2.根据权利要求1所述的基于运动历史图像与卷积神经网络的行为识别方法，其特征在于，步骤S1中的基于运动历史图像的行为序列特征提取方法的具体实现为：

S11、全局运动历史图像提取：对原始视频图像，使用帧差法进行运动区域分割，对灰度化之后的视频帧，求差分图像并进行二值化，得到运动目标；并进一步得到基于时间戳的全局运动历史图像，其中越近发生的行为动作灰度值越大，越远发生的行为动作灰度值随时间逐步衰减；

S12、局部运动历史图像分割与归一化：对每一时刻生成的全局运动历史图像，采用最小外界矩形进行运动区域的分割，并通过矩形的大小和长宽筛选出目标区域，对于目标区域中像素，按照各向异性缩放方式进行尺度变换的方式进行归一化处理，使图像大小保持一致，得到局部运动历史图像。

3.根据权利要求2所述的基于运动历史图像与卷积神经网络的行为识别方法，其特征在于，步骤S11中进行全局运动历史图像提取的方法具体为：

首先进行运动前景提取，采用帧差法进行运动区域分割，对_t时刻灰度化之后的视频帧I(x,y,t)，求差分图像D(x,y,t)；

D(x,y,t)＝|I(x,y,t+1)-I(x,y,t)|

进行二值化处理得到：

其中，ξ为判定当前位置是否存在行为动作的阈值；

基于时间戳的运动历史图像H_τ(x,y,t)灰度值更新方法为：

其中，τ表示当前的时间戳。