一种基于概率融合和降维技术的行为识别方法
【专利摘要】本发明公开了一种基于概率融合和降维技术的行为识别方法，多次使用降维技术来对特征进行降维，从而提高特征的代表性和辨别性：首先基于稠密轨迹来提取局部底层特征，为了节省空间和去除数据的相关性，对局部底层特征分别采用PCA；其次使用Fisher核对局部底层特征进行聚类，形成Fisher向量，从而提高特征的紧凑性、有序性；在FV作为分类器的输入之前对它们采用LDA的降维技术来提高存储效率、训练和测试的时间并且进一步提高特征辨别性；最后对于不同的描述器采用后融合技术进行数据的结合，从而来提高识别率。
【专利说明】一种基于概率融合和降维技术的行为识别方法
【技术领域】
[0001]本发明涉及一种基于概率融合结合降维技术的行为识别方法，尤其涉及一种利用计算机技术、数字图像处理技术、模式识别技术等实现行为识别分类与判别的方法，属于人工智能识别领域中关于行为特征提取与识别的技术。
【背景技术】
[0002]1、行为识别技术
[0003]行为识别已经成为人工智能中的一个重要的研究方向，它主要应用在实时视频监督、安全监控、人机交互等方面，其关键技术是特征的提取和分类方法的实现。研究人员提出了大量的行为识别方法，其中特征提取的方法主要分为三大类，一是基于空时兴趣点的特征提取，二是基于轨迹的特征提取，三是基于动态纹理的特征提取。其中特征聚类的方法主要有词袋(Bag-of-Words，简称B0W)和基于Fisher核的方法(FV)。基于BOW的聚类方法常用的分类器是卡方支持向量机(X2-Support Vector Machine,简称X2-SVM),而基于Fisher核的聚类方法的分类器是线性SVM。
[0004]2、基于Fisher核的聚类理论
[0005]基于Fisher核的聚类方法的数学描述是:对给定的D维的底层局部特征向量Xi，视频代表V= (X1，…，XN)，它由N个底层局部特征组成，即veRNXD。假设Θ =(μ k, Sk, nk:k = I,... , K)代表 K 个高斯混合模型(Gaussian Mixture Model,简称 gMM)的常量，它们可以通过视频的训练样本进行训练得到。每个局部特征Xi在对应的高斯k上的后验概率为:
【权利要求】
1.一种基于概率融合和降维技术的行为识别方法，其特征在于:包括如下步骤: (1)建立底层特征描述器:基于稠密轨迹来提取HOG、HOF、MBH和Dentr四个底层特征描述器，然后使用PCA法对四个底层特征描述器分别提取对应特征的特征值和特征向量，将HOG、HOF、MBH和Dentr四个底层特征描述器的维数分别降到64、64、128、20 ； (2)建立中层特征描述器:使用Fisher核对步骤(I)得到的四个底层特征描述器分别进行聚类，得到的Fisher向量为2KD维向量；其中K为Fisher核中所选的高斯函数的数量；D为底层特征向量的维数，对于步骤(I)得到的四个底层特征描述器H0G、H0F、MBH和Dentr分别对应为64、64、128、20 ; (3)使用LDA对步骤⑵得到的Fisher向量进行降维； (4)使用步骤(3)得到的Fisher向量进行分类器训练和测试，包括如下步骤: (41)对四个底层特征描述器分别进行训练和测试，得到在当前分类器下各类的概率为P ( ω ,Xi)，P ( ω Ji)表示在底层特征描述器Xi下对应的类ω k的概率； (42)对各个底层特征描述器得到的概率按照特定规则进行融合，所述特定规则包括最大、最小、中值、权重选举、求和、求积。
2.根据权利要求1所述的基于概率融合和降维技术的行为识别方法，其特征在于:所述步骤(3)中，使用LDA方法，通过有监督的训练得到相应的特征值和特征向量C ;所述步骤(4)中，对训练和测试用矩阵B，首先使用C将B映射到高维的空间中，然后再对映射到高维空间中的B进行分类。
3.根据权利要求1所述的基于概率融合和降维技术的行为识别方法，其特征在于:所述步骤(41)中，所述的分类器为概率评估分类器。
4.根据权利要求1所述的基于概率融合和降维技术的行为识别方法，其特征在于:所述步骤(42)中，概率融合使用遍历的方法。
5.根据权利要求1所述的基于概率融合和降维技术的行为识别方法，其特征在于:所述步骤(2)中，K = 256。
【文档编号】G06K9/46GK103927561SQ201410179070
【公开日】2014年7月16日 申请日期:2014年4月29日 优先权日:2014年4月29日
【发明者】田茜, 徐海燕, 王臻, 马慧, 陈萍萍, 吴建辉, 李红 申请人:东南大学