一种固定位人体行为分析方法
【技术领域】
[0001] 本发明属于人体行为分析方法技术领域，尤其涉及一种固定位人体行为分析方 法。
【背景技术】
[0002] 目前国际上固定位人体行为识别主要有四类问题难以解决：1、动作类内类间变化 太大;2、多视角和遮挡问题;3、训练数据难以获取;4、算法实时性。为了解决以上难题，我们 在当前国际上优秀的算法基础上开发出了一套基于HAR_plus算法上的固定位人体行为分 析方法。
【发明内容】
[0003] 本发明的目的在于克服现有技术存在的不足，而提供一种具有归一化、不变性特 点的固定位人体行为分析方法。
[0004] 本发明的目的是通过如下技术方案来完成的，包括如下步骤：
[0005] 1 )、将人体检测的目标或扫描窗口进行H0G特征提取；
[0006] 2)、将人体检测的目标或扫描窗口进行CSS特征提取；
[0007] 3)、遍历图像的每一个位置，提取H0G和CSS特征，输入训练好的SVM进行判断是否 是人体，如是则进行SVM人体检测；
[0008] 4)、对检测到的人体图像进行CNN人体二次确认；
[0009] 5)、对人体图像内的关键部位上标上landmark关键点并连接起来，组成关于人体 或人脸的一个整体描述进行形状回归；
[0010] 6)、所得到关于目标姿态的一系列landmark关键点，通过landmark关键点之间的 相对位置进行MHCRF行为识别。
[0011] 作为优选，所述的H0G特征提取的提取过程为：
[0012] 1)、将人体检测的目标或扫描窗口的图像看做一个x，y，z的三维图像并灰度化；
[0013] 2)、采用Gamma校正法对输入图像进行颜色空间的归一化；
[0014] 3)、计算图像每个像素的梯度、大小和方向；
[0015] 4)、将图像划分成小cell;
[0016] 5)、统计每个cell的梯度直方图，即可形成每个cell的descriptor;
[0017] 6)、将每几个cell组成一个block，一个block内所有cell的特征descriptor串联 起来便得到该block的H0G特征descriptor;
[0018] 7)、将图像image内的所有block的HOG特征descriptor串联起来就可以得到该 image 的H0G 特征 descriptor。
[0019] 作为优选，所述的CSS特征提取的提取过程为：
[0020] 1)、定义一个矩形块办，提取某个通道内该矩形块内数值之和:
[0021] 細％。￡ 敦婦）
[0022] CSS特征为与相邻的矩形块此的比值：
[0023] :浐|::1^馬::}.饮 柃
[0024] 矩形块办和此大小相同位置不同，对它进行拓展：
[0025]
[0026]对某一位置的Ri和它邻近的24个相同大小的矩形块作比较来提取特征，共可以提 取到48维特征；
[0027] 2)、遍历所有位置；
[0028] 3)、遍历所有颜色通道；
[0029] 4)、遍历所有矩形块大小；
[0030] 5)、得到最终的高维CSS特征向量。
[0031]作为优选，所述的形状回归的步骤包括训练步骤和测试步骤，分别如下：
[0032] 训练步骤
[0033] 1)、准备一定数量的目标样本图片以及对应的关键点形状标记数据，并计算所有 样本的平均形状作为训练学习时候的初始形状；
[0034] 2)、确定迭代回归次数T，然后循环步骤3)_4)迭代训练T次，得到T个模型；
[0035] 3)、采用局部二值特征的方法学习得到LBF特征；
[0036] 4)、采用全局线性回归矩阵的方法学习得到线性回归矩阵；
[0037] 5)、保存T个模型，保存初始的平均形状；
[0038] 测试步骤
[0039] 1)、输入一张包含目标的样本测试图片以及目标的外接矩形框；
[0040] 2)、载入初始的平均形状，按照步骤3)_4)迭代T次；
[0041] 3)、提取 LBF 特征；
[0042] 4)、根据公式计算形状的位移，把它累加在当前的形状上； [0043] 5)、得到关键点已经对齐的最终形状。
[0044] 作为优选，所述的MHCRF行为识别包括视频特征的提取和目标行为的识别，其具体 步骤如下：
[0045] 视频特征的提取步骤如下：
[0046] 1)、对某一视频序列窗口 [t-w，t+w]内的一帧，提取其目标的landmark关键点；
[0047] 2)、将landmark关键点连接成一棵树，计算树上每两个节点之间的坐标差dx，dy;
[0048] 3 )、所有节点的坐标差联立成一个向量X;
[0049] 4)、对视频序列窗口中的每一帧，都重复步骤1)_3)，并按照时间先后顺序联立成 一个特征向量X;
[0050] 采用MHCRF识别目标行为的步骤如下：
[0051] 1)、收集所有视频序列窗口样本，根据视频特征提取叙述的方法提取每一个样本 的特征向量X;
[0052] 2)、设定好隐藏状态个数等参数，根据MHCRF训练叙述的方法进行模型训练；
[0053] 3)、提取待识别视频序列窗口的特征向量X;
[0054] 4)、根据MHCRF测试叙述的方法进行行为识别。
[0055]本发明的有益效果为：首先，由于H0G是在图像的局部方格单元上操作，所以它对 图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域 上;其次，在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下，只要行 人大体上能够保持直立的姿势，可以容许行人有一些细微的肢体动作，这些细微的动作可 以被忽略而不影响检测效果，因此H0G特征是特别适合于做图像中的人体检测的。
【附图说明】
[0056]图1是本发明的分析方法步骤示意图。
[0057]图2是本发明的H0G特征提取步骤中的直方图示意图。
[0058]图3是本发明的block的H0G特征的示意图。
[0059] 图4是本发明的MHCRF模型示例图。
【具体实施方式】
[0060] 下面将结合附图对本发明做详细的介绍:如附图1所示，本发明包括如下步骤：
[0061 ] 1 )、将人体检测的目标或扫描窗口进行H0G特征提取；
[0062] 2)、将人体检测的目标或扫描窗口进行CSS特征提取；
[0063] 3)、遍历图像的每一个位置，提取H0G和CSS特征，输入训练好的SVM进行判断是否 是人体，如是则进行SVM人体检测；
[0064] 4)、对检测到的人体图像进行CNN人体二次确认；
[0065] 5)、对人体图像内的关键部位上标上landmark关键点并连接起来，组成关于人体 或人脸的一个整体描述进行形状回归；
[0066] 6)、所得到关于目标姿态的一系列landmark关键点，通过landmark关键点之间的 相对位置进行MHCRF行为识别。
[0067] 所述的H0G特征提取的具体每一步详细过程如下：
[0068] 1)标准化gamma空间和颜色空间
[0069] 为了减少光照因素的影响，首先需要将整个图像进行规范化（归一化）。在图像的 纹理强度中，局部的表层曝光贡献的比重较大，所以，这种压缩处理能够有效地降低图像局 部的阴影和光照变化。因为颜色信息作用不大，通常先转化为灰度图；
[0070] Gamma压缩公式：
[0071] I(x,y) = I(x,y)ga-a
[0072] 比如可以取 Gamma = 1/2;
[0073] 2)计算图像梯度
[0074] 计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值； 求导操作不仅能够捕获轮廓，人影和一些纹理信息，还能进一步弱化光照的影响。
[0075]图像中像素点(x，y)的梯度为：
[0076] Gx(x,y)=H(x+l,y)-H(x-l,y)
[0077] Gy(x,y)=H(x,y+l)-H(x,y-l)
[0078]式中Gx(x，y)，Gy(x，y)，H(x，y)分别表示输入图像中像素点(x，y)处的水平方向梯 度、垂直方向梯度和像素值。像素点(X，y)处的梯度幅值和梯度方向分别为：
[0079]
[0080]
[0081] 最常用的方法是:首先用[_1，0，1]梯度算子对原图像做卷积运算，得到X方向（水 平方向，以向右为正方向）的梯度分量gradscalx，然后用[1，0，-1 ]T梯度算子对原图像做卷 积运算，得到y方向（竖直方向，以向上为正方向）的梯度分量gradscaly。然后再用以上公式 计算该像素点的梯度大小和方向。
[0082] 3)为每个细胞单元构建梯度方向直方图
[0083] 第三步的目的是为局部图像区域提供一个编码，同时能够保持对图像中人体对象 的姿势和外观的弱敏感性。
[0084] 我们将图像分成若干个"单元格cell"，例如每个cell为6*6个像素。假设我们采用 9个bin的直方图来统计这6*6个像素的梯度信息。也就是将ce