一种基于线性判别分析的开放视角动作识别方法技术

本发明专利技术公开了一种基于线性判别分析的开放视角动作识别方法，包括以下步骤：使用Kmeans算法利用组合后特征矩阵进行词典学习；将动作样本特征矩阵转化为动作样本特征向量；使用线性判别分析利用训练视角和辅助视角下的动作样本特征向量学习投射矩阵；结合投射矩阵、将训练视角和测试视角下的共t个动作样本表征向量投射到同一个空间，得到每个动作样本新的特征向量；使用线性支持向量机利用动作样本新的特征向量进行动作分类模型的学习，最后利用动作分类模型在测试视角下进行动作分类测试。本发明专利技术通过学习不同视角下动作样本的相关性，实现了将已知和未知视角下的动作样本表征信息投射相同的向量空间进行动作识别。

【技术实现步骤摘要】
一种基于线性判别分析的开放视角动作识别方法
本专利技术涉及动作识别领域，尤其涉及一种基于线性判别分析的开放视角动作识别方法。
技术介绍
很早之前人们就开始关注于人体动作识别的研究，在上个世纪七十年代，第一次对人类的运动识别进行了研究，心理学家对人类的运动感知进行了实验。通过将亮点标记在人的关节处，然后将其置于黑暗环境中，接着对在黑暗中的运动进行观察。实验结果表明，人的视觉系统对于运动中的光点序列，可以辨别出运动的形态，如走路、跑步等甚至可以判别出运动者的性别。这个实验说明对于人体的动作识别，并不需要提取出运动的全部信息，只需要部分信息就能表示出该运动。但是这部分信息也需要是运动的关键信息，才能表达出运动的类别。该实验为以后的人体动作识别的发展奠定了基础。人体的动作识别，即人体的动作行为分析和描述是基于人体运动目标检测、分类和跟踪的基础之上。对人的动作分析和描述是指对人的动作进行识别和理解，最后用自然语言的方式加以描述的一个模式识别问题，人的动作识别的具体的方法是首先从视频序列中抽取相关的视觉信息，然后经过变换用合适的方法表示视觉信息，进而实现人体动作行为的识别和理解，这属于人体动作行为识别的高级处理环节。基于视频的人体动作识别可以采用局部时空特征和全局特征来表示视频中的人体活动。对于局部时空特征，主要是将人体的运动区域进行了划分，然后对于不同的区域提取出一些感兴趣点。接着从时间和空间上提取感兴趣点的相关信息，利用相关信息就能表达出该动作。对于全局特征，它可以采用光流等特征来表示整幅图像在某一时刻的运动状态。最常用的方法就是计算视频中每一帧图片的光流信息。在背景静止的情况下可以通过计算光流来表示前景目标的运动类型，因为物体的运动会对场景中的光流场造成很大的影响，而通过对图像中光流场的检测和计算就能够很好的得到物体的运动区域。这些方法主要被应用于单一视角下的动作识别。近年来开放视角的动作识别受到了许多研究人员的关注。因为在现实情况下很多时候需要在从未见过的视角下进行动作识别，所以对这个问题的研究将有利于动作识别方法被广泛的应用于实际生活之中，例如：城市的智能安全监控。但不同于常规的动作识别，要从所有视角下收集动作样本来训练一个通用的动作识别模型是不现实的。因为在现实中存在许许多多的视角，同时在每个视角下也无法保证具有全部的动作类别的样本。这就需要利用有限视角下的动作样本去学习一个分类器，并将它应用于未知的视角下进行动作识别。
技术实现思路
本专利技术提供了一种基于线性判别分析的开放视角动作识别方法，本专利技术通过学习不同视角下动作样本的相关性，实现了将已知和未知视角下的动作样本表征信息投射相同的向量空间进行动作识别，详见下文描述：一种基于线性判别分析的开放视角动作识别方法，所述动作识别方法包括以下步骤：使用Kmeans算法利用组合后特征矩阵进行词典学习；将动作样本特征矩阵转化为动作样本特征向量；使用线性判别分析利用训练视角和辅助视角下的动作样本特征向量学习投射矩阵；结合投射矩阵、将训练视角和测试视角下的共t个动作样本表征向量投射到同一个空间，得到每个动作样本新的特征向量；使用线性支持向量机利用动作样本新的特征向量进行动作分类模型的学习，最后利用动作分类模型在测试视角下进行动作分类测试。所述动作识别方法还包括：将视角划分为辅助视角动作样本、训练视角动作样本和测试视角动作样本；所述辅助视角动作样本用于学习不同视角之间的相关性；所述训练视角动作样本则用于动作分类模型的训练；所述测试视角动作样本用于动作识别测试；对所有动作样本提取视频特征信息，得到动作样本特征矩阵。所述动作识别方法还包括：收集录制人体的动作信息，建立多视角的动作数据库。所述对所有动作样本提取视频特征信息，得到动作样本特征矩阵的步骤具体为：从每一个视频样本中提取出增强密轨迹特征，得到每一个动作样本的特征矩阵，所述特征矩阵包含了视频中人体运动的多个层次的信息，能从时间和空间上最大程度的保留动作样本的信息。所述组合后特征矩阵具体为：随机抽取多个动作样本特征矩阵，并将多个动作样本特征矩阵按顺序组合得到组合后特征矩阵。本专利技术提供的技术方案的有益效果是：1、利用有限视角下的动作样本信息，无需依靠不同视角下大量的动作样本来训练分类模型，就能实现在未知的视角下进行动作识别；2、将不同视角下的动作样本表征信息投射到相同的空间中实现了表征向量的降维，增加了动作分类模型学习的速度；3、提出的线性判别分析的动作识别方法流程简单，易被应用于现实的动作监控识别系统之中。附图说明图1为一种基于线性判别分析的开放视角动作识别方法的流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术实施方式作进一步地详细描述。针对
技术介绍
中存在的问题，本专利技术实施例提出了一个基于线性判别分析的动作识别方法，通过学习已知不同视角下动作样本之间的相关性，来实现在未知视角下的进行动作识别的目的。实施例1一种基于线性判别分析的开放视角动作识别方法，参见图1，该动作识别方法包括以下步骤：101：使用Kmeans算法利用组合后特征矩阵进行词典学习；将动作样本特征矩阵转化为动作样本特征向量；102：使用线性判别分析利用训练视角和辅助视角下的动作样本特征向量学习投射矩阵；103：结合投射矩阵、将训练视角和测试视角下的共t个动作样本表征向量投射到同一个空间，得到每个动作样本新的特征向量；104：使用线性支持向量机利用动作样本新的特征向量进行动作分类模型的学习，最后利用动作分类模型在测试视角下进行动作分类测试。其中，该动作识别方法还包括：将视角划分为辅助视角动作样本、训练视角动作样本和测试视角动作样本；所述辅助视角动作样本用于学习不同视角之间的相关性；所述训练视角动作样本则用于动作分类模型的训练；所述测试视角动作样本用于动作识别测试；对所有动作样本提取视频特征信息，得到动作样本特征矩阵。其中，该动作识别方法还包括：收集录制人体的动作信息，建立多视角的动作数据库。其中，上述对所有动作样本提取视频特征信息，得到动作样本特征矩阵的步骤具体为：从每一个视频样本中提取出增强密轨迹特征，得到每一个动作样本的特征矩阵，所述特征矩阵包含了视频中人体运动的多个层次的信息，能从时间和空间上最大程度的保留动作样本的信息。其中，步骤101中的组合后特征矩阵具体为：随机抽取多个动作样本特征矩阵，并将多个动作样本特征矩阵按顺序组合得到组合后特征矩阵。综上所述，本专利技术实施例通过上述步骤101至步骤104学习不同视角下动作样本的相关性，实现了将已知和未知视角下的动作样本表征信息投射相同的向量空间进行动作识别。实施例2下面结合具体的计算公式、实例对实施例1中的方案进行进一步地介绍，详见下文描述：201：收集录制人体的动作信息，建立多视角的动作数据库；其中，为了保证不同视角下的动作样本没有直接相关性，每一个动作样本都在不同视角下单独录制，表1给出了建立的数据库的动作列表。表1动作列表具体实现时，本专利技术实施例对上述具体的动作不做限制，也可以为其他的动作，根据实际应用中的需要进行设定。202：将视角划分为辅助视角动作样本、训练视角动作样本和测试视角动作样本；其中，辅助视角动作样本用于学习不同视角之间的相关性；训练视角动作样本则用于动作分本文档来自技高网...

【技术保护点】
一种基于线性判别分析的开放视角动作识别方法，其特征在于，所述动作识别方法包括以下步骤：使用Kmeans算法利用组合后特征矩阵进行词典学习；将动作样本特征矩阵转化为动作样本特征向量；使用线性判别分析利用训练视角和辅助视角下的动作样本特征向量学习投射矩阵；结合投射矩阵、将训练视角和测试视角下的共t个动作样本表征向量投射到同一个空间，得到每个动作样本新的特征向量；使用线性支持向量机利用动作样本新的特征向量进行动作分类模型的学习，最后利用动作分类模型在测试视角下进行动作分类测试。

【技术特征摘要】
1.一种基于线性判别分析的开放视角动作识别方法，其特征在于，所述动作识别方法包括以下步骤：使用Kmeans算法利用组合后特征矩阵进行词典学习；将动作样本特征矩阵转化为动作样本特征向量；使用线性判别分析利用训练视角和辅助视角下的动作样本特征向量学习投射矩阵；结合投射矩阵、将训练视角和测试视角下的共t个动作样本表征向量投射到同一个空间，得到每个动作样本新的特征向量；使用线性支持向量机利用动作样本新的特征向量进行动作分类模型的学习，最后利用动作分类模型在测试视角下进行动作分类测试。2.根据权利要求1所述的一种基于线性判别分析的开放视角动作识别方法，其特征在于，所述动作识别方法还包括：将视角划分为辅助视角动作样本、训练视角动作样本和测试视角动作样本；所述辅助视角动作样本用于学习不同视角之间的相关性；所述训练视角动作样本则用于动作分类模型的训练；所述...

【专利技术属性】
技术研发人员：苏育挺，李阳，刘安安，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12