人体动作的局部特征表示方法及其在行为识别的应用
【专利摘要】本发明涉及图像处理和图像识别领域，具体为人体动作的局部特征表示方法及其在行为识别的应用，人体动作的局部特征表示方法包括如下步骤：首先根据人体行为生物学和运动学特征，从能量的角度提取了人体骨骼关节点的动能、人体骨骼关节点的位置坐标、人体骨骼关节点的方向变化向量以及人体骨骼关节点的姿态势能，构建局部特征组合矩阵。然后利用K?means聚类将局部特征矩阵降维并提取词袋(Bag Of Word，BOW)特征，并结合人体关节角特征组成用于行为识别的特征向量，将该特征向量应用到人体行为识别领域经实验验证有较好的效果。
【专利说明】
人体动作的局部特征表示方法及其在行为识别的应用
技术领域
[0001] 本发明设及一种图像处理和图像识别领域中的基于人体Ξ维空间信息的局部特 征提取方法，属于图像识别领域。
【背景技术】
[0002] 近几年，随着视频设备和3D相机的广泛使用，基于Ξ维信息的行为识别因为其受 环境影响小等特点得到了广泛关注和重视。经对现有文献的检索发现，Gu J.等人[Gu J， Ding X,Wang S,et al.Action and gait recognition from recoveredS-D human joints[J].Systems,Man,and Cybernetics ,Part B: Cybernetics , IEEE Transactions on,2010,40(4) :1021-1033.]认为人体关节点Ξ维空间位置序列可W很好的描述人体运动 过矛呈，Junxia G.等人[Junxia G,Xiaoqin邑 D,Shen邑jin W,et al .Full body trackin邑一 b曰sed human action recognition[C]//IEEE19th International Conference on Pattern Reco即ition. ICPR 2008:1-4.]在采用关节点空间位置序列的基础上加入了全局 运动特征及局部形态特征，基于更多信息特征的识别率明显优于Gu J.等人的方法，因此特 征的优劣及选取特征的数量对识别的准确率有重大的影响，选取能够对动作具有更多描述 的?目息将有助于识别率的提局。
[0003] 然而随着特征不断加入，识别准确率随之提高，但是数据量的增加，计算量也随之 变大，并且难W从高层语义上进行理解，因此有必要对组合特征数据进行降维，生成有利于 识别的高层语义特征。Li等人[Li T,Kweon I S.A semantic region descriptor for local feature based image categorization[C]//Acoustics, Speech and Signal Processing. IE邸 International Conference on. ICASSP,2008:1333-1336.]提出了一种 新的局部特征方法，通过使用局部的高层语义信息建立局部特征矩阵，然后使用聚类的方 法建立视觉单词本，即建立B0W(词袋，Bag Of Word)作为描述图片的特征，实现了多种特征 数据的融合。
[0004] 但是研究发现，在大多数的特征表示方法中，难W从人动作的物理属性来定性解 释，难W较好地描述动作的变化过程。进一步我们的分析发现:人的不同动作不仅表现在位 置信息上的区别，而且表现在关节点序列的能量特征上，但是上述相关学者的研究都没有 考虑到关节点序列的能量特征，对应的识别效果不是很高。
【发明内容】
[0005] 本发明是为解决上述问题而提出的，经过设计和优化，提供了一种人体动作的局 部特征表示方法和该方法在在行为识别上的应用方案。
[0006] -种人体动作的局部特征表示方法，用于从Ξ维空间的动态图像中提取得到人体 的局部特征矩阵，其特征在于，包括：
[0007] 步骤一，从Ξ维空间的动态图像中获取人体是Ξ维坐标，再从所述动态图像中的 相邻两帖静态图像中的15个人体骨骼关节点的坐标变化中获取对应的所述人体骨骼关节 点的动能，计算公式如下：
[000引
[0009] 其中，Eki,t表示Ft帖所述静态图像中第i个所述人体骨骼关节点的动能，k为动能 参数，A t表示所述相邻两帖静态图像之间的时间间隔，
[0010] Pi,t表示第i个所述人体骨骼关节点在Ft帖所述静态图像中的空间位置，使用Ξ维 空间坐标(xi,t，yi,t，zi,t)表示；
[0011] 步骤二，计算每帖所述静态图像中的所述人体骨骼关节点的方向变化向量，计算 公式如下：
[0012] Φ i,t=(xi,i；-xi,t-i,yi,i；-yi,t-i,zi,i；-zi,t-i) (2)
[0013] 其中Φι,*表示Ft帖中第i个关节点相对于上一帖的所述静态图像中第i个所述人 体骨骼关节点的方向变化向量，XI,t、yi,t、zi,t分别表示该人体骨骼关节点在Ft帖所述静态 图像中的空间Ξ维坐标；
[0014] 步骤Ξ，选取所述人体骨骼关节点中的躯干处关节点或头部关节点作为零势能参 照点，则对应的对应的t帖中第i个所述人体骨骼关节点的姿态势能定义为：
[0015] Ei,t = L(|Pi,t-Pi,t|) (3)
[0016] 其中，L为势能参数，Pi,t为t帖中第i个关节点位置，Pi,t表示t帖中所述零势能参照 点的坐标位置；
[0017] 步骤四，定义并计算6个代表性人体关节角度，θι和θ2分别表示左手大臂与左手大 小臂形成的人体关节角和右手大臂与右手小臂形成的人体关节角，θ3和04分别表示左腿大 腿与左腿小腿的人体关节角和右腿大腿与右腿小腿的人体关节角，05和06分别表示左手大 臂与躯干形成的夹角和右手大臂与躯干形成的人体关节角，则上述的人体关节角计算公式 为：
[001 引
（4J
[0019] 其中，θη,康示Ft帖中第η个关节角，"?"符号表示向量的内积，"I Γ'表示向量的 模，α和β分别表示对应的所述人体关节角中两个关节的两个向量；
[0020] 步骤五，基于步骤一、二、Ξ、四计算得到的所述人体骨骼关节点的动能、所述人体 骨骼关节点的坐标、所述人体骨骼关节点的方向变化向量W及所述人体骨骼关节点的姿态 势能运四类特征组合成所述人体的局部特征矩阵Yt，该矩阵Yt如下式：
Q[0022] 本发明提供的人体动作的局部特征表示方法，还可W具有运样的特征:其中，步骤
[0021] C5) 一的15个所述人体骨骼关节点包括头、颈、躯干、左肩、左手肘、右肩、右手肘、左髓关节、左 膝盖、右髓关节、右膝盖、左手、右手、左脚、右脚。
[0023] 本发明提供的人体动作的局部特征表示方法，还可W具有运样的特征:其中，步骤 一的所述动能参数k取1，所述时间间隔Δ t取1/30S。
[0024] 本发明还提供一种人体动作的局部特征表示方法在行为识别上的应用，利用上述 的人体动作的局部特征表示方法来进行所述动态图像中人的行为识别，其特征在于包括W 下步骤：
[0025] S1，按照下列公式(7)(8)(9)进行运算，由所述人体的局部特征矩阵Yt得到标准化 局部特征矩阵化*:
[0026]
[0027]式中Μ表示15个所述所述人体骨骼关节点的特征X的均值，Xi表示第i个所述人体 骨骼关节点的特征X，
[002引 (8)
[0029] 式中S表示15个所述所述人体骨骼关节点的特征X的标准差，
[0030] (9)
[0031] 式中Xi*表示第i个所述人体骨骼关节点标准化后的特征X，最终的标准化局部特 征矩阵化*计算式为
[0032] (10)
[0033] S2,使用K-means算法对所述标准化局部特征矩阵η*进行多次重复聚类，聚类后 得到得到5个聚类中屯、点Cl、C2、C3、C4、C5，将所述局部特征矩阵Yt向5个聚类中屯、点Cl、C2、C3、 C4、Cs映射得到指定维数K的特征向量；
[0034] S3，构建第Ft帖的所述静态图像的BOWt特征，定义BOWt特征：
[0035] B0Wt=[bini biri2 bim bim bins] (6)
[0036] 其中，bim表示第i个动作；
[0037] S4,选取合适的核函数进行分类运算，将S1、S2中的数据输入到基于所述核函数的 SVM算法程序中得到所述局部特征矩阵Yt与BOWt特征中的bim的对应关系，实现所述动态图 像中人的行为识别。
[0038] 本发明提供的人体动作的局部特征表示方法在行为识别上的应用，还具有运样的 特征:其中，步骤S2的所述指定维数K取值为5。
[0039] 本发明提供的人体动作的局部特征表示方法在行为识别上的应用，还具有运样的 特征:其中，步骤S2的所述多次重复聚类的重复次数为100。
[0040] 本发明提供的人体动作的局部特征表示方法在行为识别上的应用，还具有运样的 特征:其中，步骤S4的所述核函数为径向基内核函数Radial Basis化nction，其公式为
[0041] U3J
[0042] 其中xc为核函数中屯、，0为函数的宽度参数，丫为核参数。
[0043] 发明作用与效果
[0044] 本发明提供了一种人体动作的局部特征表示方法及其在行为识别的应用，在关节 点位置序列的基础上提取人体关节点的运动能量和姿态能量信息作为全局运动特征，并加 入关节点方向变化等特征用于表示运动中的局部形态变化，组合为一个局部特征矩阵，从 而建立BOW作为描述图片的特征，实现了多种特征数据的融合，较好地描述了动作的变化过 程提高行为识别的准确率，减少计算的数据量缩短识别时间，提高了图像中的人体动作识 别的匹配率。
【附图说明】
[0045] 图1是本发明的实施例的人体动作的局部特征表示方法的流程示意图；
[0046] 图2为人体的骨架中人体关节角示意图；
[0047] 图3为本实施例的Bcm构建过程示意图；
[004引图4为本发明行为识别系统的框架示意图；
[0049] 图5为本发明的实验的四组数据分类结果混淆矩阵示意图，对应的分别标记为图5 (a)、图 5(b)、图 5(c)、图 5(d);
[0050] 图6为本实验的十二个动作准确率统计图。
【具体实施方式】
[0051] W下结合附图来说明本发明的【具体实施方式】。
[0052] 图1是本实施例的人体动作的局部特征表示方法的流程示意图。
[0化3] 第一步，使用微软公司的Kinect SDKXkinect S化for windows的硬件和软件）获 取人体动态图像W及人体的骨架，骨架是由20个关节点和13根连接关节的线段组成，如手， 颈部，躯干，左肩，左手肘，左掌，右肩膀等。本实施例使用的数据库是康奈尔大学的 Dataset-1200(CAD-60)，数据库中的人体骨架模型由15个人体骨骼关节点组成，具体顺序 和编号如表1所示。从而获取每一个时刻的人体骨骼关节点的位置Ξ维坐标(xi,t，yi,t，zi,t) 信息并作如下计算：
[0054]表1关节点编号
[ο化5]
[0056] a.通过相邻两帖静态图像的坐标信息变化计算出每一帖静态图像中人体骨骼关 节点的动能。计算公式如下：
[0化7]
(1)
[005引其中，Eki,t表示Ft帖中第i个人体骨骼关节点的动能，k为动能参数，实验中k取1， At表示相邻两帖静态图像之间的时间间隔，根据所使用Kinect硬件的性能指标，本实施例 中At取l/30s，Pi,康示第i个人体骨骼关节点在Ft帖中的空间位置，即立维空间坐标(XI,t， yi,t,Zi,t) ο
[0059] b.通过第i个人体骨骼关节点的Ξ维空间坐标(Xl,t，yl,t，Zl,t)来计算每一帖静态 图像中人体骨骼关节点相对于上一帖所对应的人体骨骼关节点的方向变化向量，计算过程 如式(2)
[0060] Φ i,t=(xi,i；-xi,t-i,yi,i；-yi,t-i,zi,i；-zi,t-i) (2)
[0061] 其中Φι,*表示Ft帖静态图像中第i个人体骨骼关节点相对于上一帖中第i个人体 骨骼关节点的方向变化向量，Xl,t、yl,t、Zl,t分别表示该关节点在Ft帖中的空间ミ维坐标。
[0062] C.选取躯干处的人体骨骼关节点（即第3个人体骨骼关节点）或头部处的人体骨骼 关节点（即第1个人体骨骼关节点）作为零势能参照点，则t帖中第i个人体骨骼关节点的人 体姿态势能Ei,t定义如(3):
[0063] Ei,t = L(|Pi,t-Pi,t|) (3)
[0064] 式中L为势能参数，本实施例取值为l，Pi,t为t帖中第i个人体骨骼关节点的位置， Pi,t表示t帖中头部关节点（即即第1个人体骨骼关节点），即本实施例W编号为1的头部处的 人体骨骼关节点作为零势能参照点。
[0065] 图2为人体的骨架中人体关节角示意图。
[0066] d.根据人体运动规律定义6个代表性人体关节角，如图2所示，θι和θ2分别表示左手 大臂与左手大小臂形成的人体关节角和右手大臂与右手小臂形成的人体关节角，θ3和04分 别表示左腿大腿与左腿小腿的人体关节角和右腿大腿与右腿小腿的人体关节角，θ5和06分 别表示左手大臂与躯干形成的夹角和右手大臂与躯干形成的人体关节角。公式(4)给出了 人体关节角计算方法。
[0067]
(4)
[006引其中θη,康示Ft帖中第η个人体关节角，"?"符号表示向量的内积，"I Γ'表示向量 的模。α和β分别表示关节角对应的两个向量。
[0069] e，基于步骤a、b、c、d计算得到的所述人体骨骼关节点的动能化i,t、所述人体骨骼 关节点的坐标Pi,t、所述人体骨骼关节点的方向变化向量Φι,*Κ及所述人体骨骼关节点的 姿态势能El,t运四类特征组合成所述人体的局部特征矩阵Yt，该矩阵Yt如下式：
[0070] (5) 〇.
[0071] 由上述第一步的a、b、c、d、e运5个小步骤就完成了一个完整的人体动作的局部特 征表示方法，由人体动态图像得到了我们进行行为识别的人体的局部特征矩阵Yt。
[0072] 下面详细介绍利用上述构建的人体的局部特征矩阵Yt进行人体行为识别的详细 原理W及真实实验的过程与结果。
[0073] 由于人体关节角特征较少，不利于降维处理，因此将人体关节角作为B0W(词袋， Bag Of Word)之外的特征与BOW-起构建特征向量，即构建一个共计11维的特征向量。
[0074] 提取人体骨骼关节点的动能化i,t、所述人体骨骼关节点的坐标Pi,t、所述人体骨骼 关节点的方向变化向量Φι,*Κ及所述人体骨骼关节点的姿态势能El,t、人体关节角0n,t作为 BOW的预选特征。
[0075] 第二步，首先基于提取的人体骨骼关节点的动能Eki,t、人体骨骼关节点的坐标 Pi,t、人体骨骼关节点的方向变化向量Φι,*、人体骨骼关节点的姿态势能El,t共4类特征组合 成局部特征矩阵Yt，矩阵结构如式(6)，矩阵的行i与关节点的序号相对应，按列依次存放W 上4类特征。
[0076]
(6、
[0077] 在进行下一步的聚类前，需首先对局部特征矩阵Yt按公式(7)(8)(9)作标准化处 理即：
[0078] S1，按照下列公式(7)(8)(9)进行运算，由所述人体的局部特征矩阵Yt得到标准化 局部特征矩阵化*:
[0079] (7)
[0080] 式中Μ表示15个所述所述人体骨骼关节点的特征X的均值，Xi表示第i个所述人体 骨骼关节点的特征X，
[0081] (8)
[0082] 式中S表示15个所述所述人体骨骼关节点的特征X的标准差，
[0083]
(:9)
[0084] 式中Xi*表示第i个所述人体骨骼关节点标准化后的特征X，最终的标准化局部特 征矩阵化*计算式为
[0085]
(10) C?
[0086] 然后用K-means算法对局部特征矩阵Y进行聚类，通过聚类找出运些数据的中屯、 点，将运些数据向聚类中屯、映射得到指定维数为k的特征向量。本文就K值的选择作了多次 实验，最终发现当K取5时效果较好，因此将K设置为5且聚类重复次数为100。注意聚类前需 首先对局部特征矩阵按公式(7) (8) (9)作标准化处理。
[0087] (7)
[008引式中Μ表示15个关节点特征X的均值，Xi表示第i关节点的特征X。 到
C8)
[0090] 式中S表示15个关节点特征X的标准差。
[0091]
(9)
[0092] 式中Xi*表示第i个关节点标准化后的特征X。最终的标准化局部特征矩阵Yt*如 下：
[00W] (10) 〇
[0094] S2,使用K-means算法对所述标准化局部特征矩阵η*进行多次重复聚类，聚类后 得到得到5个聚类中屯、点Cl、C2、C3、C4、C5，将所述局部特征矩阵Yt向5个聚类中屯、点Cl、C2、C3、 C4、Cs映射得到指定维数K的特征向量，本实施例就K值的选择作了多次实验，最终发现当K取 5时效果较好，因此将K设置为5,且聚类重复次数为100。
[00对 S3,聚类后得到5个聚类中屯、&心心八4心，然后将所有特征向量映射到运5个聚 类中屯、，式(11)定义了表示第Ft帖的BOWt特征
[0096] B0Wt=[bini biri2 bim bim bins] (11)
[0097] 其中，bim表示第i个动作；
[0098] BOWt构建过程的编程伪代码思路如下所示：
[0099]
[0100] 图3为本实施例的BOWt构建过程示意图。
[0101] BOWt特征过程可由附图3所示，图中星号表示vectori，点表示聚类中屯、。聚类中屯、 的个数与K-means聚类中的K值相等均为5。
[0102] 第Ξ步，选取合适的核函数进行分类运算，将S1、S2中的数据输入到基于所述核函 数的SVM(支持向量机，Suppod Vector Machine)算法程序中得到所述局部特征矩阵Yt与 BOWt特征中的bim的对应关系，实现所述动态图像中人的行为识别。
[0103] 选取合适的核函数，根据数据特点选择合适的核函数可使SVM发挥最好的分类能 力。因为径向基内核函数(Radial Basis Function,RBF Kernel)具有良好的性能且调节参 数较少，因此本实施例采用基于RBF核函数的SVM分类器(RBF-SVM)，RBF核函数公式如式 (13)。
[0104] (13)
[010引其中X。为核函数中屯、，σ为函数的宽度参数，丫为核参数。
[0106] 此次实施例实验中SVM算法程序采用的是由中国台湾大学林仁智化in化ih-Jen) 教授开发的1 ibs vm程序，通过反复交叉验证选择了 一组最优参数C = 32、g = 2。
[0107] 实施例的作用与效果
[0108] 为了说明上述实施例提供的人体动作的局部特征表示方法W及该人体动作的局 部特征表示方法在行为识别上的应用的实际效果，下面进行了实际模型实验。
[0109] 图4为行为识别系统框架示意图；
[0110] 图5为本实验的四组数据分类结果混淆矩阵示意图，对应的一、二、Ξ、四组数据分 别标记为图5(a)、图5(b)、图5(c)、图5(d);
[0111] 图6为本实验的十二个动作准确率统计图。
[0112] 本次试验测试了四个人的四组数据，每个人都做相同的动作。实验时将数据库中 每个动作的70 %数据作为SVM的训练集，将余下30 %的数据作为测试集。按图4中的方案对4 个人的数据分别进行分类识别，每个人有12个行为数据依次分别为站立、打电话、在黑板上 写字、喝水、漱口、刷牙(brushing teeth)、佩戴隐形眼镜、在沙发上聊天、躺在沙发上、做 饭、打开药瓶、用电脑办公。分类结果用混淆矩阵表示如图5,每个动作的准确率统计如图6。
[0113] 由图5和图6可知，在随机的测试过程中，实施例提供的人体动作的局部特征表示 方法W及该人体动作的局部特征表示方法在行为识别上的应用效果是比较好的，行为识别 准确率在80%左右，一些动作如站立、打电话、在黑板上写字、喝水、刷牙、在沙发上聊天、躺 在沙发上、用电脑办公都达到了90% W上的识别率，较【背景技术】中提到的技术方案效果都 要好。
【主权项】
1. 一种人体动作的局部特征表示方法，用于从三维空间的动态图像中提取得到人体的 局部特征矩阵，其特征在于，包括： 步骤一，从三维空间的动态图像中获取人体的三维坐标，再从所述动态图像中的相邻 两帧静态图像中的15个人体骨骼关节点的坐标变化中获取对应的所述人体骨骼关节点的 动能，计算公式如下：其中，Ek1>t表示Ft帧所述静态图像中第i个所述人体骨骼关节点的动能，k为动能参数， A t表示所述相邻两帧静态图像之间的时间间隔， P1;t表示第i个所述人体骨骼关节点在Ft帧所述静态图像中的空间位置，使用三维空间 坐标(Xi, t，yi, t，Zi, t)表不； 步骤二，计算每帧所述静态图像中的所述人体骨骼关节点的方向变化向量，计算公式 如下： Φ i, t - (Xi, t-Xi, t-1, yi, t-yi, t-1, Zi, t-Zi, t-1) ( 2 ) 其中Φ 1>t表示Ft帧中第i个关节点相对于上一帧的所述静态图像中第i个所述人体骨骼 关节点的方向变化向量，^^^^^分别表示该人体骨骼关节点在仏帧所述静态图像中 的空间三维坐标； 步骤三，选取所述人体骨骼关节点中的躯干处关节点或头部关节点作为零势能参照 点，则对应的对应的t帧中第i个所述人体骨骼关节点的姿态势能定义为： ( \ B 二 L P - P i,t \ i,t 1. t ) 其中，L为势能参数，P1>t为t帧中第i个关节点位置，P1>t表示t帧中所述零势能参照点的 坐标位置； 步骤四，定义并计算6个代表性人体关节角度，Θ#ΡΘ2分别表示左手大臂与左手大小臂 形成的人体关节角和右手大臂与右手小臂形成的人体关节角，θ3和θ4分别表示左腿大腿与 左腿小腿的人体关节角和右腿大腿与右腿小腿的人体关节角，9 5和06分别表示左手大臂与 躯干形成的夹角和右手大臂与躯干形成的人体关节角，则上述的人体关节角计算公式为：(4) 其中，9n,t表示Ft帧中第η个关节角，" ?"符号表示向量的内积，表示向量的模，α 和β分别表示对应的所述人体关节角中两个关节的两个向量； 步骤五，基于步骤一、二、三、四计算得到的所述人体骨骼关节点的动能、所述人体骨骼 关节点的坐标、所述人体骨骼关节点的方向变化向量以及所述人体骨骼关节点的姿态势能 这四类特征组合成所述人体的局部特征矩阵Yt，该矩阵Yt如下式： (5) ο2. 根据权利要求1所述的人体动作的局部特征表示方法，其特征在于： 其中，步骤一的15个所述人体骨骼关节点包括头、颈、躯干、左肩、左手肘、右肩、右手 肘、左髋关节、左膝盖、右髋关节、右膝盖、左手、右手、左脚、右脚。3. 根据权利要求1所述的人体动作的局部特征表示方法，其特征在于： 其中，步骤一的所述动能参数k取1，所述时间间隔At取l/30s。4. 人体动作的局部特征表示方法在行为识别上的应用，利用权利要求1-3中任意一项 所述的人体动作的局部特征表示方法来进行所述动态图像中人的行为识别，其特征在于包 括以下步骤：S1，按照下列公式(7)(8)(9)进行运算，由所述人体的局部特征矩阵Yt得到标准化局部 特征矩阵Yt*: (7) 式中Μ表示15个所述所述人体骨骼关节点的特征X的均值，Xi表示第i个所述人体骨骼 关节点的特征X，(8) 式中S表示15个所述所述人体骨骼关节点的特征X的标准差，(9) 式中Xi*表示第i个所述人体骨骼关节点标准化后的特征X，最终的标准化局部特征矩 阵Yt*计算式为(10) S2,使用K-means算法对所述标准化局部特征矩阵Yt*进行多次重复聚类，聚类后得到 得到5个聚类中心点&、(：2、(：3、〇4、(：5，将所述局部特征矩阵￥*向5个聚类中心点&、(： 2、(：3、〇4、(：5 映射得到指定维数K的特征向量； S3，构建第Ft帧的所述静态图像的B0Wt特征，定义B0Wt特征： B0fft= [bim him bin3 biru bins] (11) 其中，bim表示第i个动作； S4,选取合适的核函数进行分类运算，将S1、S2中的数据输入到基于所述核函数的SVM 算法程序中得到所述局部特征矩阵Yt与BOWt特征中的bim的对应关系，实现所述动态图像 中人的行为识别。5. 根据权利要求4所述的人体动作的局部特征表示方法在行为识别上的应用，其特征 在于： 其中，步骤S2的所述指定维数K取值为5。6. 根据权利要求4所述的人体动作的局部特征表示方法在行为识别上的应用，其特征 在于： 其中，步骤S2的所述多次重复聚类的重复次数为100。7. 根据权利要求4所述的人体动作的局部特征表示方法在行为识别上的应用，其特征 在于： 其中，步骤S4的所述核函数为径向基内核函数Radial BasisFunction，其公式为(13) 其中X。为核函数中心，σ为函数的宽度参数，γ为核参数。
【文档编号】G06K9/62GK106066996SQ201610363508
【公开日】2016年11月2日
【申请日】2016年5月27日 公开号201610363508.7, CN 106066996 A, CN 106066996A, CN 201610363508, CN-A-106066996, CN106066996 A, CN106066996A, CN201610363508, CN201610363508.7
【发明人】王永雄, 曾艳
【申请人】上海理工大学