【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,并具重大的应用前景。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模型的人体运动识别、基于学习的人体运动识别和基于表现的人体运动识别。第一种,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JuSun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。第二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;SomayehDanafar和Niloofar Cheissari ...
【技术保护点】
一种基于时空梯度特征的分部位的人体运动识别方法,包括步骤如下:(1)取一个视频样本I,检测视频中的时空兴趣点;(2)根据Fischler和Elschlager提出的图结构模型将人体划分为头部、左上肢、左下肢、右上肢和右下肢部位;(3)在各人体部位中,提取基于时空兴趣点的时空块C,并计算该时空块C中各层的最大梯度Gm;(4)对时空块C提取基于最大梯度Gm的统计梯度特征gi,作为该部位的运动特征fi=gi;若某一部位包括多个时空块,则取所有时空块的统计梯度特征gi的均值作为该部位的运动特征其中,N表示部位中时空块的个数;(5)检测视频中人体的重心G(x0,y0);(6)计算该视频样本I中人体运动的速度特征(7)将人体运动的各部位的运动特征fi和速度特征级联得到人体运动的最终特征,对于没有时空兴趣点的部位,用零补齐;(8)将Weizmann数据库按照8:1的比例划分为训练样本集X和测试样本集T;按照上述步骤(1)~(7)分别将训练样本集X和测试样本集T中的所有视频提取特征,获得训练样本特征集X“和测试样本特征集T“;(9)利用SVM算法对训练样本特征集X“进行训练学习得到分类器;将测试样本特 ...
【技术特征摘要】
1.一种基于时空梯度特征的分部位的人体运动识别方法,包括步骤如下: (1)取一个视频样本I,检测视频中的时空兴趣点; (2)根据Fischler和Elschlager提出的图结构模型将人体划分为头部、左上肢、左下肢、右上肢和右下肢部位; (3)在各人体部位中,提取基于时空兴趣点的时空块C,并计算该时空块C中各层的最大梯度Gm ; (4)对时空块C提取基于最大梯度Gm的统计梯度特征gi,作为该部位的运动特征A=gi ;若某一部位包括多个时空块,则取所有时空块的统计梯度特征gi的均值作为该部位的运动特征2.根据权利要求1所述的人体运动识别方法,其中步骤(I)所述的检测视频中的时空兴趣点,是按如下方法进行: (Ia)对原始视频采用二维Gauss滤波器进行降噪,得到滤波后的视频数据L:L = I*g, 其中,I表示原始视频数据,L表示滤波后的视频数据,g为高斯平滑核,g的计算公式为:1-V V2f(jr,.v,cr) = ^je:'7',.其中,x,y为像素坐标,σ为空间维度的尺度参数; (Ib)在时间维度上进行一维Gabor滤波,得到视频数据L在时间维度上的响应数据R:3.根据权利要求1所述的人体运动识别方法,其中所述步骤(3)中的提取基于时空兴趣点的时空块C,是提取以时空兴趣点为中心提取宽度为3*3、长度为19的视频时空块C。4.根据权利要求1所述的人体运动识别方法,其中步骤(4)所述的计算人体各部位中时空块的基于最大梯度Gm的统计梯度...
【专利技术属性】
技术研发人员:韩红,张红蕾,谢福强,韩启强,李晓君,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。