[发明专利]一种基于不相关性约束的低秩表示人体行为识别方法

摘要

本发明属于图像处理技术领域，具体公开了一种基于不相关性约束的低秩表示人体行为识别方法，主要用于解决现有技术中对特征的编码方法中没有考虑行为之间的不相关性的问题。其实现步骤为(1)输入人体行为视频序列,提取初级特征；(2)对初级特征聚类得到字典；(3)对初级特征进行不相关性约束的低秩表示编码；(4)利用稀疏表示分类方法对视频进行分类；(5)输出分类结果。本发明在低秩表示的基础上，加入了人体行为不相关性约束，增强了人体行为视频序列编码的判别性，提高了人体行为识别的准确性，可用于智能监控。

主权项

一种基于不相关性约束的低秩表示人体行为识别方法，其特征在于：包括如下步骤：(1)输入人体行为视频，利用Cuboid检测子和描述子分别对视频中的人体行为进行特征提取，得到人体行为的初级特征矩阵其中，xi表示第i个初级特征，i＝1,2,...,n，d表示初级特征的维数；(2)对所有视频的初级特征进行聚类得到字典：利用k‑均值聚类方法，对所有人体行为初级特征进行聚类，聚类中心作为字典的原子，从而得到字典：其中：ai表示字典的原子，i＝1,2,…,N，N表示原子的个数；(3)利用不相关性约束的低秩表示对每个视频的初级特征进行编码，得到其高级特征表示：(3a)利用低秩表示方法，求解基于字典A的每个视频中人体行为初级特征的编码系数矩阵，利用如下公式进行编码：其中：Z表示编码系数矩阵，E表示噪声项，||Z||*表示编码系数矩阵的核范数，即编码系数矩阵的奇异值之和，参数λ用来平衡噪声的影响，||E||2,1表示对E的l2,1范数，Eij为第i行第j列元素；(3b)利用中间变量J代替步骤(3a)中的Z，将编码公式转化为：利用增强拉格朗日乘子算法对该公式进行求解，得到人体行为的编码系数矩阵(3c)对人体行为的编码系数矩阵应用最大化池算法，将每个人体行为的编码系数表示成一个N维的列向量:其中：yi＝max(|zi1|,|zi2|,…,|zik|,...,|zin|)，i＝1,2,...,N，k＝1,2,...n，zik表示Z的第i行第k列元素；(3d)利用步骤(3b)中得到的结果初始化下式中的编码系数矩阵，对每个视频中人体行为的初级特征进行再次编码，得到高级编码系数矩阵，编码公式如下：s.t.Xi＝AZi+Ei其中：M表示人体行为视频的个数，Zi表示第i个视频中人体行为初级特征矩阵的高级编码系数矩阵，Ei为噪声项，γ表示不相关约束项的权值，Wij＝||Yi‑Yj||22表示Zi和Zj的权重，Yi和Yj表示第i个和第j个编码系数矩阵经过最大化池得到的列向量，||ZjTZi||F2表示Zi和Zj的乘积F范数的平方；(3e)对得到的高级编码系数矩阵进行如步骤(3c)所述的最大化池算法，得到人体行为的高级特征表示，将其表示为(4)利用稀疏表示分类方法对视频进行分类：(4a)将一个动作者的所有行为视频的高级特征表示作为测试样本集，其他动作者的所有行为视频的高级特征表示作为训练集，训练样本个数为m，利用所有训练样本组成字典其中m是字典D的原子个数；(4b)利用下式，得到每个测试样本的编码系数β：其中，||·||2表示向量的l2范数，||·||1表示向量的l1范数，η是用于平衡重建误差和编码稀疏性的参数，取值范围为0‑1；(4c)计算每个测试样本在每类字典上的残差其中：βj是测试样本在第j类字典Dj上的编码系数，如果在第j类字典上的残差最小，则测试样本的类标为j；(5)输出分类结果：重复步骤(4)，依次对每个动作者的所有行为进行分类，得到各自的类标，输出结果；步骤(1)中所述的特征维数d＝100；步骤(2)中所述的字典原子的个数N＝500,即就是k均值聚类算法中设定的聚类中心个数；为了便于求解步骤(3d)中的编码公式，分别对每一个初级特征进行如下编码：s.t.Xi＝AZi+Ei根据将上式转化为如下表达式：s.t.Xi＝AZi+Ei其中：是一个常量，该常量表示的系数；为求解方便，利用字母J替换上式中的Z，得到如下表达式：s.t.Xi＝AZi+Ei，Zi＝Ji利用增强拉格朗日乘子ALM算法对上式进行求解，得到人体行为的高级编码系数