基于在线序贯极限学习机的递增式人体行为识别方法技术

一种基于在线序贯极限学习机的递增式人体行为识别方法，该方法基于所有人的活动范围能够用摄像机捕捉到人体；包括以下步骤：（1）采用3D?Harris角点检测子提取视频中的时空兴趣点；（2）利用3D?SIFT描述子计算检测到的时空兴趣点的描述子；（3）采用K-means聚类算法生成视频词典，建立视频图像的词包模型；（4）用得到视频词包模型训练在线序贯极限学习机分类器；（5）利用在线序贯极限学习机分类器进行人体行为识别，并进行在线学习。该方法不但能够在训练样本很少的情况下，以较少的训练时间，获得较为精确的人体行为识别结果，而且对于环境场景变化、环境光照变化、检测对象变化、人体形态变化具有一定的不敏感性。

【技术实现步骤摘要】

本专利技术涉及一种利用机器视觉进行人体行为识别的方法，属于模式识别

技术介绍
基于视频的人的行为识别在机器人学、人机交互、基于视频的智能监控、运动分析、基于内容的视频检索等领域应用广泛，是计算机视觉中一个研究热点，有着广泛的应用前景和潜在的经济和社会价值，因而得到了广大科研工作者及相关商家的高度关注。在机器人学方面，研究人的步态特征为双足机器人的步态规划提供理论基础；在构建和谐社会，维护社会稳定以及犯罪技术侦察等方面，基于视频的智能监控发挥着不可估量的作用，理解人的行为则是关键；在人机交互方面，未来的人机交互将是基于人的手势、行为、表情等智能化的交互方式，行为识别的研究为智能人机交互提供了技术支持；在体育运动分析方向中，分析人的行为并进行数字量化为体育运动打破传统的凭经验练习并向数字化体育发展打下坚实基础；21世纪是数字化时代，互联网上的信息尤其是视频信息呈指数型迅速增长趋势，如何检索到想要的视频信息并归类是一个亟待解决的问题，基于视频的人体行为分析为解决此问题提供了技术解决方案。然而，由于真实自然环境复杂多变(如背景复杂、环境光照变化)，人的个体差异(身高、外形、衣服等)，获得视频图像的视角不同，以及人们完成某一动作的方式和速度不同，使得基于视频的人体行为识别问题是一个非常具有挑战性的问题。针对基于视频图像的人体行为识别问题，研究者们提出了很多检测和描述基于视频图像的人体行为特征的方法。2003年《Proceedings of Ninth IEEE InternationalConference on Computer Vision》(第九届IEEE计算机视觉国际会议论文集)在432-439页发表的《Space-time interest points))(时空兴趣点)将二维Harris角点检测算法扩展到三维时空，首次提出了时空兴趣点检测子-3D Harris角点检测子，将那些灰度值在时间和空间都有很大变化的区域定义为三维角点。由于同时满足条件的区域较少，故3D Harris角点具有稀疏性。2005 年《Proceedings of2ndJoint IEEE International Workshop onVisual Surveillance and performance Evaluationof Tracking and Survei I lance〉〉(第二届IEEE视频监控和跟踪与监控性能评价联合国际研讨会会议论文集》在65-72页发表的((Behavior recognition via sparse spatio-temporal features))(基于稀疏时空特征的行为识别)提出Cuboids检测算法，在空间2D高斯滤波器的基础上引入时间ID Gabor滤波器，将响应函数高于某一阈值的区域定义为时空兴趣点。2008年《Proceedingsof EuropeanConference on Computer Vision》(欧洲计算机视觉国际会议论文集)在650-663页发表的((An Efficient Dense and Scale-Invariant Spatio-Temporal Interest PointDetector))(一种有效的高密度和尺度不变的时空兴趣点检测子)首次将二维Hessian检测子扩展到时空领域得到Hessian时空兴趣点(Hes-STIP)检测子，检测到的时空兴趣点在时间和空间上尺度不变并且能够密集地覆盖视频内容，利用三维Hessian矩阵的行列式，将兴趣点定位与尺度选择合二为一，避免了迭代运算。2009年《Proceedings of IEEEConference on Computer Vision and Pattern Recognition)) (IEEE 计算机视觉与模式识别国际会议论文集)在1996-2003页发表的《Recognizing realistic actions fromvideos in the wild”》(自然环境下人体行为识别)从视频中提取运动特征和静态特征，利用运动统计特性获取稳定的运动特征，并对静态特征进行去噪处理，使用Cuboid检测子检测运动特征，而静态特征的提取则通过检测感兴趣的区域，利用运动线索和网页排名技术实现，改善了复杂自然环境下人体行为识别精度。2011年《Neurocomputing》(神经计算)在74 (6) :962-973 页发表的((Transform based spatio-temporal descriptors for humanaction recognition))(基于变换的时空描述子的人体行为识别)将基于变换的方法应用到动作识别领域采用Cuboid检测子提取视频帧的兴趣点，利用基于变换(离散傅里叶变换(DFT)、离散余弦变换(DCT)、离散小波变换(DWT))的H0G/H0F描述子对Cuboid检测子提取出的兴趣点进行描述。2009 年《Proceedingsof the 13th International ConferenceonComputer Analysisof Images and Patterns))(第13届图像和模式计算机分析国际会议论文集)在 740-747 页发表的((Human action recognition using LBP-TOP as sparsespatio-temporal feature descriptor》(基于LBP-TOP稀疏时空特征描述子的人体行为·识别)用 Cuboid 检测子提取兴趣点，利用 Local Binary Pattern on Three OrthogonalPlanes (LBP-TOP)描述子描述提取到的兴趣点及其邻域,生成时空单词(spatial-temporalwords)用以表不人的行为。2008 年《International Journal of Computer Vision》(计算机视觉国际期刊)在 79 (3):299-318 页发表的《Unsupervised learning of human actioncategories using spatial-temporal words》(基于时空单词的非监督的人体行为学习)应用Cuboid检测子从视频序列中提取兴趣点，利用HoG描述子描述提取到的兴趣点，生成视觉单词，应用概率潜在语义分析模型(Probabilistic Latent Semantic Analysis)学习和分类人体行为，该方法不仅可以识别多个单动作视频序列，而且可以识别一个长视频中的多个动作。2008 年《Proceedings of IEEE International Conference on ComputerVision and Pattern Recognition》(IEEE计算机视觉与模式识别国际会议论文集)在1-8页发表的《Recognizing human actions using multiple features》(基于多特征的人体行为识别)将视觉单词表示的局部特征和反映人的体型变化的全局特征相结合实现人体行本文档来自技高网...

【技术保护点】
一种基于在线序贯极限学习机的递增式人体行为识别方法，其特征是，基于以下条件：在静态背景环境下，人的活动范围能够用摄像机捕捉到；具体包括以下步骤：（1）采用3D？Harris角点检测子提取视频中的时空兴趣点，定义角函数在时间和空间同时取得局部最大的极值点为空兴趣点；（2）利用3D？SIFT描述子计算检测到的时空兴趣点的描述子；（3）采用K？means聚类算法生成视频词典，建立视频图像的词包模型；（4）用得到视频词包模型训练在线序贯极限学习机分类器；（5）利用在线序贯极限学习机分类器进行人体行为识别，并进行在线学习。

【技术特征摘要】
1.一种基于在线序贯极限学习机的递增式人体行为识别方法，其特征是，基于以下条件在静态背景环境下，人的活动范围能够用摄像机捕捉到；具体包括以下步骤 (1)采用3DHarri s角点检测子提取视频中的时空兴趣点，定义角函数在时间和空间同时取得局部最大的极值点为空兴趣点； (2)利用3DSIFT描述子计算检测到的时空兴趣点的描述子； (3)采用K-means聚类算法生成视频词典，建立视频图像的词包模型； (4)用得到视频词包模型训练在线序贯极限学习机分类器； (5)利用在线序贯极限学习机分类器进行人体行为识别，并进行在线学习。2.根据权利要求I所述的基于在线序贯极限学习机的递增式人体行为识别方法，其特征是，所述步骤(I)的具体实现方法是 3D Harris检测子是将Harris角点检测子从空间(x, y)扩展到时空(x, y, t)得到的，定义的时空角函数为 H=det ( μ ) -ktrace3 ( μ ), H>0, 其中，时空二阶矩Γ)(ν (·;σ，Γ)/)，上标T表示矩阵转置，O1, ^分别为局部空间和时间尺度，Oi = SO1和Ti = S h为集成尺度，i表示集成，系数s把局部空间和时间尺度0l，^转变为集成尺度Qi, Ti, s的取值范围为(0，1)，g(x，y，t; σ2，τ2)为高斯平滑函数，σ,...

【专利技术属性】
技术研发人员：马昕，周生凯，李贻斌，
申请(专利权)人：山东大学，
类型：发明
国别省市：