一种室内人体行为识别方法

文档序号:8544056阅读:1244来源:国知局
一种室内人体行为识别方法
【技术领域】
[0001] 本发明设及机器视觉技术领域,尤其设及一种室内人体行为识别的方法。
【背景技术】
[0002] 机器视觉作为光电技术应用的一个特定领域,目前已经发展成为一个前景光明、 活力无限的行业,年平均增长速度超过20%。机器视觉广泛应用于微电子、电子产品、汽车、 医疗、印刷、包装、科研、军事等众多行业。设及技术一致,应用差异明显,是各种机器视觉 应用系统的共同特点。那么作为机器视觉范畴中的人体行为识别研究也必然得到大力的使 用。
[0003] 人体行为识别应用主要集中在智能视频监控,病人监护系统,人机交互,虚拟现 实,智能家居,智能安防和运动员辅助训练。另外基于内容的视频检索和智能图像压缩等也 用到了不少行为识别的方法,它们有着广阔的应用前景和潜在的经济价值和社会价值。
[0004] 行为识别大抵分为两个步骤;先提取特征,再对人体行为特征做分类器的设计。到 目前为止,行为识别研究中采用的特征多为传统的二维特征,如二维网格、人体轮廓、背景 减除法、梯度直方图、光流直方图、运动能量模板等。传统的基于轮廓的人体行为识别方法 如图1所示:
[0005] 步骤101,获取视频图像;
[0006] 步骤102,利用差分法分离前景与背景;
[0007] 步骤103,提取前景轮廓特征;
[0008] 步骤 104,PCA降维;
[0009] 步骤105,放入分类器进行训练与识别。
[0010] 对于行为识别分类器,不同的需求,选择也有所不同,若需快速完成训练可选择最 近邻、正态贝叶斯等算法,若需准确可选择支持向量机(SVM)、神经网络等。对于一些传统的 学习方法,SVM具有很大的优势,如解决小样本、高维模式和非线性识别问题,并且其推广性 也很强,如应用到类似函数拟合的机器学习等问题中去。
[0011] 参见图2,为现有的多任务大边界最近邻算法。x_i1表示用第i个样本训练马氏 距离矩阵,第一列表示用欧式距离度量,第二、S列表示用马氏距离度量,同一种形状并且 同一种颜色代表同一种类型特征,图2中分别表示的分类结果化=3)。
[0012] 从现有的人体行为技术可W看出,其存在如下技术缺陷;(1)环境适应性不强,对 于光照、非人体的动态物体很难排除,对于识别造成干扰;(2)对人体朝向角的适应性不 强,识别率不高;(3)当样本大且高维时处理速率慢;(4)对于多任务大边界最近邻算法, 其具有捜索慢的缺点,对于所选择的权值,依赖性太大,权值过小,得到的近邻数过少,会降 低分类进度,同时也会放大噪声数据的干扰。

【发明内容】

[0013] 本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种室内人体行为识 别的方法。
[0014] 本发明解决其技术问题所采用的技术方案是:一种室内人体行为识别的方法,包 括W下步骤:
[0015] 1)通过体感设备获取人体=维骨架信息;
[0016] 2)根据=维骨架信息计算=维骨架特征,所述=维骨架特征包括全局运动特征和 手臂、腿部局部运动特征;
[0017] 3)提取测试视频集中的=维骨架特征;
[0018] 4)训练测试视频集中的=维骨架特征进行特征描述,得到训练特征集;具体过程 如下;对=维骨架特征进行在线字典学习;然后稀疏主成分分析进行降维;最后融合多任 务大边界最近邻算法和线性支持向量机进行联合分类;
[0019] 5)提取待识别视频中的人体S维骨架特征;
[0020] 6)使用多任务大边界最近邻算法和线性支持向量机对步骤5)中的人体=维骨 架特征进行分类得到特征描述;
[0021] 7)将训练特征集与步骤6)中的特征描述通过打分机制做出人体行为识别判决。
[0022] 按上述方案,所述体感设备为Kinect设备。
[0023] 按上述方案,所述Kinect设备使用化enNI库函数提取出彩色图像和深度图像,视 频格式为ONI格式,样本集均为带标签的。
[0024] 按上述方案,所述步骤1)中=维骨架信息为骨骼关节点的=维坐标;所述骨骼关 节点的=维坐标WKinect设备为世界坐标系,建立人体骨骼的动态坐标。
[00巧]按上述方案,所述全局运动特征包括;身体高度特征、身体倾斜角特征、身体倾斜 角速度特征、朝向角特征、朝向角速度特征、人体速度特征和轨迹特征;手臂、腿部局部运动 特征包括;旋转角特征、速度特征和轨迹特征。
[0026] 按上述方案,所述手臂、腿部局部运动特征中旋转角特征的计算方法为;A、设定手 臂四个关节点和腿部四个关节点的旋转自由度,手臂为人体朝向方向向量和人体站立方向 向量,腿部为平行于人体面方向向量和人体朝向方向向量,共16个旋转自由度;B、根据骨 架初始姿态和当前姿态(也即=维坐标值)计算16个旋转自由度的旋转角。
[0027] 按上述方案,所述计算全局运动特征时包括对人体高度进行归一化的步骤。
[002引按上述方案,所述步骤4)中对特征进行在线字典学习,字典大小为100,分类器训 练级数为100。
[0029] 按上述方案,所述步骤7)中打分机制的判别具体为;先用多任务大边界最近邻算 法计算出测试样本与带标签的训练样本的k近邻样本特征,并W此赋予权值,距离与权值 成反比;线性支持向量机对测试样本进行分类时也需赋予权值;最后将同类标签的权值相 加,得分比例最高的类别即为测试样本的所属类别。
[0030] 按上述方案,所述步骤6)中线性支持向量机采用一对多的分类方式。
[0031] 本发明产生的有益效果是:
[0032] (1)本发明充分利用现有体感设备,如Kinect,获取深度图像和彩色图像,一定程 度上解决了光照、非人体的动态物体给识别造成的干扰,W及人体朝向角对于识别效率的 影响。
[003引似本发明中所得到的行为特征较少,且进行了在线字典学习化及稀疏降维,提高 行为识别分类处理速率。
[0034] (3)本发明中充分利用现有的分类器技术,融合多类分类器,取长补短,提高了分 类识别率。
【附图说明】
[0035] 下面将结合附图及实施例对本发明作进一步说明,附图中:
[0036] 图1为【背景技术】中传统的基于轮廓的人体行为识别方法的流程图;
[0037] 图2为【背景技术】中现有的多任务大边界最近邻算法流程图;
[003引图3为本发明实施例的方法流程图;
[0039] 图4为本发明动态人体骨架坐标系及关节点自由度标示图;
[0040] 图5为本发明室内人体行为识别研究方法中多任务大边界最近邻算法与线性分 类器融合进行打分机制的流程图;
[0041] 图6为本发明动态人体骨架坐标及关节点自由度标示图。
【具体实施方式】
[0042] 为了使本发明的目的、技术方案及优点更加清楚明白,W下结合实施例,对本发明 进行进一步详细说明。应当理解,此处所描述的具体实施例仅用W解释本发明,并不用于限 定本发明。
[0043] 本发明室内人体行为识别研究一种基于S维(3Dimension, 3D)骨架特征,多任务 大边界最近邻算法(Multi-I'askLargeMarginNearestNei曲bor,MT-LMNN)与线性支持 向量机(LinearSupportVectorMachine,LSVM)融合的打分机制识别方法。针对人体行 为动作的特点,本发明采用的3D骨架特征数据具有量少、保存关键信息的优势,同时充分 地用稀疏字典表示,最后通过引用MT_LM順与LSVM融合的打分机制识别方法,提高了SVM 分类精度。
[0044] 如图3所示,图3为本发明室内人体行为识别研究的一个较佳实验案例的处理流 程图,该流程包括W下步骤:
[0045]步骤1,获取人体=维骨架信息。
[0046] 本步骤中,采集视频的工具是微软的Kinect设备,分为训练视频集和测试视频, 训练视频集与最终识别率呈二项分布。并且采集的视频样本是使用化enNI库函数,来提取 出彩色图像和深度图像,视频格式为0NI格式,样本集均为带标签的。
[0047]步骤2,提取=维骨架特征。
[0048] 本步骤中,提取=
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1