[发明专利]基于第二代Bandelet统计特征的人体运动识别方法

摘要

本发明提出了一种基于第二代Bandelet统计特征的人体运动识别方法，主要解决现有技术中特征提取复杂，表征能力弱的问题。其实现步骤是：(1)将Weizmann数据库中的视频转换为序列图像，并按8:1比例构建训练样本集X和测试样本集T；(2)对样本集中的单幅序列图像，进行第二代Bandelet变换，依次提取图像的能量特征Ve、熵特征Vs、最大值特征Vmax、最小值特征Vmin、对比度特征Vc、均值特征Vμ和方差特征Vv，并将这些特征级联，作为单幅图像的最终特征；(3)重复步骤(2)分别对训练样本集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*，利用Adaboost算法对其进行学习训练，获得分类结果。本发明能准确识别人体运动，可用于视频监控、目标识别的视频处理。

主权项

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。