[发明专利]一种基于隐结构推理的行为识别方法

摘要

本发明公开了一种基于隐结构推理的行为识别方法，包括以下步骤：提取训练数据的局部特征并聚类，构建一个码本词袋，利用局部特征的时空分布建立码本之间的共生关系图，结合局部特征在人体上的分布特性推理出共生关系图中的隐结构并将其反馈到共生关系图中得到一个具有多层结构信息的图模型；利用图模型获取训练数据中局部特征的稳定性系数并构建训练数据的特征向量，训练分类器模型；提取未知视频中的局部特征，利用图模型计算其稳定性系数，构建视频的特征向量，用分类器进行分类。该方法通过研究人体结构特征来学习局部特征之间的结构信息，可以更好的对主体的行为进行描述。本方法可以用于公共安全领域，如异常行为检测等；也可用于人机交互。

主权项

一种基于隐结构推理的行为识别方法，其特征在于，该方法包括以下步骤：步骤1，提取训练视频数据中每一行为类别的所有视频的局部特征；步骤2，对所述步骤1得到的每一行为类别的局部特征分别进行聚类，得到n个聚类中心，所述n个聚类中心作为特征码本构成一个词袋，并且用距离一局部特征最近的码本作为该局部特征的标记；步骤3，利用每一行为类别所对应的词袋中不同的特征码本在训练数据中的时空分布，构建一个描述各个特征码本之间联系的共生关系图G；步骤4，对每一行为类别所对应的共生关系图G，利用基于香农熵的结构推理方法找出所述共生关系图G中隐藏的结构信息；步骤5，将推理得到的隐藏的结构信息反馈到每一个共生关系图G中，以使之优化成一个具有多层结构信息的结构化共生关系图模型Gi；步骤6，利用所述结构化共生关系图模型Gi计算每个局部特征点的稳定性系数；步骤7，将具有同一码本标识的所有局部特征点的稳定性系数进行累加，得到各个码本的分布直方图Hi，将所有分布直方图首尾连接起来构成一个直方图链，作为所述训练视频数据最终的行为特征；步骤8，利用所有训练视频数据的行为特征学习得到一个分类器模型；步骤9，提取每一测试视频的局部特征，并根据所述步骤6、7提取得到所述测试视频的行为特征；步骤10，将所述步骤9提取得到的行为特征送入所述步骤8得到的分类器模型中进行分类识别，得到分类识别结果。