本发明专利技术提出了一种基于第二代Bandelet统计特征的人体运动识别方法，主要解决现有技术中特征提取复杂，表征能力弱的问题。其实现步骤是：(1)将Weizmann数据库中的视频转换为序列图像，并按8:1比例构建训练样本集X和测试样本集T；(2)对样本集中的单幅序列图像，进行第二代Bandelet变换，依次提取图像的能量特征Ve、熵特征Vs、最大值特征Vmax、最小值特征Vmin、对比度特征Vc、均值特征Vμ和方差特征Vv，并将这些特征级联，作为单幅图像的最终特征；(3)重复步骤(2)分别对训练样本集X和测试样本集T中的所有序列图像提取特征，获得训练样本特征集X*和测试样本特征集T*，利用Adaboost算法对其进行学习训练，获得分类结果。本发明专利技术能准确识别人体运动，可用于视频监控、目标识别的视频处理。
【技术实现步骤摘要】
本专利技术属于图像处理
，涉及人体运动识别方法，可用于虚拟视频、智能监控和姿态估计。
技术介绍
人体运动识别是近几年来计算机视觉领域的重大热点之一，人体运动识别在运动捕获，人机交互，视频监控等多领域获得了初步的应用，具有重大的应用前景。由于人体运动的多变性和多样性，背景的嘈杂以及光照条件，衣服纹理和自身遮挡等多方面的因素严重影响人体运动的识别效果，故从视频图像中准确估计人体姿态，实现人体运动识别是计 算机视觉领域长期存在的问题。目前，人体运动识别的方法主要分为三大类基于学习的人体运动识别、基于模型的人体运动识别和基于表现的人体运动识别。第一种，基于学习的人体运动识别方法该方法首先在训练的视频图像和目标视频图像数据库里提取精确的图像特征，通过机器学习从一系列训练数据中学习得到一个分类器，用该分类器来表示人体运动，然后利用该分类器对输入窗口进行分类及识别。如IvanLaptev等人采用的基于HOG和HOF的特征提取方法和基于KNN和SVM的识别方法。另外还有Somayeh Danafar和Niloofar Cheissari在其论文中采用了基于光流的特征提取方法和基于SVM的运动识别方法，其中基于光流的特征是从图像序列的相邻帧中提取。该识别方法的优点与人体模型的方法和模板匹配的方法相比是比较鲁棒，检测结果较优，但是缺点是运动信息的计算过程缺乏对行为的全局分析，且计算特征的复杂度较高，需要很多训练数据，通常需要上万的数据。第二种，基于模型的方法，利用人体结构的先验知识建立人体模型，然后提取图像底层特征匹配到模型中，并以运动规律加以约束。当前比较典型的方法如Ju Sun采用了基于SIFT描述子和基于Markov模型的识别方法；Hsuan_Sheng Chen等人采用了基于星形骨架描述轮廓信息的特征表述方法和基于HMM的动作识别方法。这种方法简单，容易实现，但是特征表征能力较弱，信息包含较少，识别性能低，准确率不高，且容易受遮挡和人体服装差异的影响，常作为一种辅助方法。第三种，基于表现的方法，无须对人体建模，直接提取图像中感兴趣区域的底层二维表观特征，然后找出区域特征与人体动作的对应关系进行匹配。如Bobick和Davis采用了基于轮廓表征的特征表示方法和基于MHI和MEI模板的识别方法。这种方法与基于模型的方法相比计算比较简单，缺点是提出的特征对环境的动态变化敏感，易受背景变化的影响，对纹理变化不够敏感，不能最优的表征图像边缘，同时由于人体姿态的复杂性，很难构造出足够的模板以处理不同的姿态，故正确率也不高。
技术实现思路
本专利技术目的是针对上述已有技术的不足，提出的一种，以降低图像特征提取的复杂度，同时提高特征的表征能力，在无需大量训练数据的情况下，有效地提高人体运动识别的正确率。为实现上述目的，本专利技术的技术方案包括如下(I)将Weizmann数据库中的每段视频转换为连续的单幅序列图像，并按照8 I的比例构建训练样本集X和测试样本集T ；(2)对训练样本集X中的单幅序列图像，进行第二代Bandelet变换，提取每幅图像的Bandelet系数；(3)计算每幅图像Bandelet系数的7类统计特征，分别为能量特征Ve，熵特征Ns,最大值特征vmax，最小值特征vmin，对比度特征V。，均值特征Vli和方差特征Vv ；(4)将上述所有统计特征级联，得到单幅序列图像的特征V = {Ve, Vs, Vfflax, Vfflin, Vc, νμ,νν}；(5)按照上述步骤(2Γ(4)分别将训练样本集X和测试样本集T中的所有序列图像提取特征，获得训练样本特征集X*和测试样本特征集Τ* ；(6)利用Adaboost算法和训练样本特征集X*对这7类Bandelet统计特征进行选择，在特征选择的同时训练并构建分类器(6. I)训练样本特征集X*包括m个训练样本的特征集合Xi，i = I, 2. . . .m，其对应的类别标签为yi e Y = {1，... k}，其中k为总的运动类别数；(6.2)对所有样本赋予初始权重W1 (i) = l/(mk),置初始循环次数t = I ；(6. 3)将所有样本权重归一化为—=1(6. 4)对上述单幅序列图像的7类Bandelet统计特征中每类特征j，j = 1，2，... 7，设计弱分类器7f(x,)，并计算每个弱分类器的误差 m__/ mCtTu)^Γ/)(χ ))/ΣΜ#)，其中符号 π 表示求积； =1/ f 二I(6. 5)在所有弱分类器中，选择误差最小的弱分类器T(t)；(6. 6)计算弱分类器置信α( ) = log1"^1"+Iog(^-I)，将所有样本的权重更新为 errWt+1 (i) = wt (i) *exp { α ω Π }, i = I,.....m ；(6. 7)令循环次数t = t+1，返回到步骤(6. 3)，直至循环次数t = N ;(6. 8)用每次迭代被选中的弱分类器和其对应的置信组合成一个强分类器，即最终的分类器// = aT.gmax|>ir!n(r.’° =/)(7)将测试样本特征集Τ*输入到已训练好的分类器H中得到各类运动的分类结果O本专利技术与现有的技术相比具有以下优点本专利技术由于利用第二代Bandelet变换，通过计算系数的统计量得到特征向量进行人体运动识别，从图像的几何特性出发，有效的提高了基于图片序列的人体运动识别的正确率；同时由于本专利技术利用Adaboost算法具有特征选择的性能，通过对不同特征的筛选，降低了图像特征的维度，提高了图像特征的表达能力；此外由于本专利技术使用的BandeIet变换具有多尺度特性，多方向性以及各向异性，可以连续的细化图像，较好的表示人体的轮廓，因此，不需要对图像序列中的人体运动区域进行背景剪除，从而降低了图像特征提取的复杂度，比传统的特征提取方法更加节省计算资源和时间。附图说明图I是本专利技术的流程示意图； 图2是本专利技术仿真使用的数据库的部分序列图像；图3是本专利技术对Weizmann数据库进行仿真后的分类混淆矩阵图。具体实施例方式参照图I，本专利技术的具体实现步骤如下步骤一，获取整个人体运动识别训练样本集X和测试样本集T。(I. I)本专利技术试验所需的样本集来自Weizmann人体数据库，下载地址为http://www. wisdom, weizmann. ac. il/ vision/SpaceTimeActions. html,图 2 给出了数据库中的部分序列图像。(I. 2)将Weizmann数据库中的每段视频转换为连续的单幅序列图像，并按照8:1的比例构建训练样本集X和测试样本集T。步骤二，对训练样本集X中的单幅序列图像，进行第二代Bandelet变换，提取每幅图像的Bandelet系数,具体步骤为(2. I)对单幅序列图像做如下二维离散正交小波变换(2. Ia)对单幅序列图像的每行做一维小波变换，即权利要求1.一种，包括如下步骤 (1)将Weizmann数据库中的每段视频转换为连续的单幅序列图像,并按照8 I的比例构建训练样本集X和测试样本集T ； (2)对训练样本集X中的单幅序列图像，进行第二代Bandelet变换，提取每幅图像的Bandelet 系数； (3)计算每幅图像Bandele本文档来自技高网...
【技术保护点】
一种基于第二代Bandelet统计特征的人体运动识别方法，包括如下步骤：(1)将Weizmann数据库中的每段视频转换为连续的单幅序列图像，并按照8∶1的比例构建训练样本集X和测试样本集T；(2)对训练样本集X中的单幅序列图像，进行第二代Bandelet变换，提取每幅图像的Bandelet系数；(3)计算每幅图像Bandelet系数的7类统计特征，分别为能量特征Ve，熵特征Vs，最大值特征Vmax，最小值特征Vmin，对比度特征Vc，均值特征Vμ和方差特征Vv；(4)将上述所有统计特征级联，得到单幅序列图像的特征V＝{Ve，Vs，Vmax，Vmin，Vc，Vμ，Vv}；(5)按照上述步骤(2)~(4)分别将训练样本集X和测试样本集T中的所有序列图像提取特征，获得训练样本特征集X*和测试样本特征集T*；(6)利用Adaboost算法和训练样本特征集X*对这7类Bandelet统计特征进行选择，在特征选择的同时训练并构建分类器：(6.1)训练样本特征集X*包括m个训练样本的特征集合xi,i＝1,2....m，其对应的类别标签为yi∈Y＝{1,...k}，其中k为总的运动类别数；(6.2)对所有样本赋予初始权重w1(i)＝1/(mk)，置初始循环次数t＝1；(6.3)将所有样本权重归一化为(6.4)对上述单幅序列图像的7类Bandelet统计特征中每类特征j,j＝1,2，...7，设计弱分类器并计算每个弱分类器的误差：err(t)=Σi=1mwt(i)Π(yi≠Tj(t)(xi))/Σi=1mwt(i),其中符号Π表示求积；(6.5)在所有弱分类器中，选择误差最小的弱分类器T(t)；(6.6)计算弱分类器置信：将所有样本的权重更新为wt+1(i)＝wt(i)*exp{α(t)Π[yi≠T(t)(xi)]},i＝1，.....m；(6.7)令循环次数t＝t+1，返回到步骤(6.3)，直至循环次数t＝N；(6.8)用每次迭代被选中的弱分类器和其对应的置信组合成一个强分类器，即最终的分类器：H=argmaxΣt=1Nα(t)Π(T(t)=k);(7)将测试样本特征集T*输入到已训练好的分类器H中得到各类运动的分类结果。FDA00002452549000011.jpg,FDA00002452549000012.jpg,FDA00002452549000021.jpg...
【技术特征摘要】
【专利技术属性】
技术研发人员：韩红，李晓君，张红蕾，韩启强，谢福强，顾建银，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。