基于surf興趣點的行為識別方法及裝置制造方法
【專利摘要】本發(fā)明公開了一種基于SURF興趣點的行為識別方法及裝置，其中，上述方法包括如下步驟：S01、采集多幀連續(xù)的人體動作視頻圖像；S02、檢測每幀圖像中與人體動作相關(guān)的興趣點；S03、對興趣點進(jìn)行包括去噪音處理以及去離群的預(yù)處理；S04、累積多幀圖像中所有興趣點并構(gòu)造表征人體動作的運動軌跡的點集；S05、從人體動作的運動軌跡的點集中提取目標(biāo)特征并量化得到特征向量；S06、計算運動軌跡點集的特征向量與所有簇中心的歐式距離；S07、根據(jù)步驟S06的計算結(jié)果，將待檢測視頻圖像人體動作判定為得到的匹配值最高的人體動作。本發(fā)明能夠增加行為識別的魯棒性，提高行為識別率。
【專利說明】基于SURF興趣點的行為識別方法及裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像識別【技術(shù)領(lǐng)域】，尤其涉及基于SURF興趣點的行為識別方法及裝置。
【背景技術(shù)】
[0002]人體行為識別作為計算機(jī)視覺領(lǐng)域的一個新興技術(shù)，在人機(jī)交互和視頻監(jiān)控等方面具有廣泛的應(yīng)用前景。目前，可應(yīng)用的場合分別有運動捕捉、監(jiān)控視頻分析、視頻分類、體育運動與娛樂視頻處理、智能家居開發(fā)、人機(jī)交互、環(huán)境控制與監(jiān)視等等。
[0003]目前主要的人體行為識別方法大致可以分為基于目標(biāo)跟蹤、基于形狀模板匹配、基于光流和基于時空興趣點這四大類?；谀繕?biāo)跟蹤和形狀模板匹配的方法要求建立精確的人體模板，系統(tǒng)魯棒性相對較差?；诠饬鞯姆椒ɡ霉饬餍畔⑦M(jìn)行行為識別，容易受到噪聲以及光照強(qiáng)度變化的干擾。基于時空興趣點分析的方法通過濾波和非極值抑制法提取出興趣點，從時空興趣點中提取人體動作的時空運動特征作為識別的依據(jù)。這類方法對于圖像遮擋、重疊、尺度變化和光照變化的魯棒性不好。為此，有必要對上述的人體行為識別方法進(jìn)行進(jìn)一步的改進(jìn)。

【發(fā)明內(nèi)容】

[0004]本發(fā)明所要解決的技術(shù)問題是:提供一種能夠增加圖像魯棒性、提高人體行為識別率的基于SURF興趣點的行為識別方法及裝置。
[0005]為了解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為:提供一種基于SURF興趣點的行為識別方法，包括如下步驟:
[0006]S01、采集多幀連續(xù)的人體動作視頻圖像；
[0007]S02、根據(jù)SURF算法檢測每幀圖像中與人體動作相關(guān)的興趣點；
[0008]S03、對興趣點進(jìn)行包括去噪音處理以及去離群的預(yù)處理；
[0009]S04、累積多幀圖像中所有興趣點并構(gòu)造表征人體動作的運動軌跡的點集；
[0010]S05、從人體動作的運動軌跡的點集中提取目標(biāo)特征并量化得到特征向量；
[0011]S06、計算運動軌跡點集的特征向量與所有簇中心的歐式距離，得到待檢測視頻與所有簇中心的匹配值，其中，所述簇中心為樣本圖像；
[0012]S07、根據(jù)步驟S06的計算結(jié)果，將待檢測視頻圖像人體動作判定為得到的匹配值最高的人體動作。
[0013]為了解決上述技術(shù)問題，本發(fā)明采用的另一技術(shù)方案為:提供一種基于SURF興趣點的行為識別裝置，包括順次電連接的圖像采集模塊、興趣點檢測模塊、預(yù)處理模塊、點集構(gòu)造模塊、量化模塊、計算模塊以及識別模塊；所述圖像采集模塊，用于采集多幀連續(xù)的人體動作視頻圖像；所述興趣點檢測集模塊，用于根據(jù)SURF算法檢測每幀圖像中與人體動作相關(guān)的興趣點；所述預(yù)處理模塊，用于預(yù)處理興趣點，包括對興趣點進(jìn)行去噪音處理以及去離群處理；所述點集構(gòu)造模塊，用于累積多幀圖像中所有興趣點并構(gòu)造表征人體動作的運動軌跡的點集；所述量化模塊，用于從人體動作的運動軌跡的點集中提取目標(biāo)特征并量化得到特征向量；所述計算模塊，用于計算待檢測視頻的運動軌跡點集的特征向量與所有簇中心的歐式距離，得到待檢測視頻與所有簇中心的匹配值，其中，所述簇中心為所有標(biāo)準(zhǔn)人體行為；所述識別模塊，用于根據(jù)計算模塊的計算結(jié)果，將待檢測視頻圖像人體動作判定為得到的匹配值最高的人體動作
[0014]本發(fā)明的有益效果在于:本發(fā)明通過SURF算法檢測人體動作興趣點，并對多幀的興趣點構(gòu)造成運動軌跡點集提取目標(biāo)特征并量化得到特征向量后計算特征向量與所有簇中心的歐式距離得到匹配值，最后將待檢測視頻圖像人體動作判定為得到的匹配值最高的人體動作。興趣點的提取過程不要求精確定位人體和精確分割人體輪廓，因此興趣點對遮擋、重疊、尺度變化和光照變化不敏感，能夠增加行為識別的魯棒性；對興趣點進(jìn)行預(yù)處理，能夠消除噪聲影響以及提高興趣點的質(zhì)量。通過對興趣點的處理方法步驟，能夠增加圖像的魯棒性，提高圖像中人體行為的識別率。
【專利附圖】

【附圖說明】
[0015]圖1是本發(fā)明基于SURF興趣點的行為識別方法的流程圖；
[0016]圖2是積分圖像示意圖。
【具體實施方式】
[0017]為詳細(xì)說明本發(fā)明的技術(shù)內(nèi)容、構(gòu)造特征、所實現(xiàn)目的及效果，以下結(jié)合實施方式并配合附圖詳予說明。
[0018]本發(fā)明最關(guān)鍵的構(gòu)思在于:通過累積多幀多尺度的時空興趣點來構(gòu)造興趣點云，然后提取出能夠表征時空興趣點云的多尺度特征，并通過對特征值進(jìn)行直方圖化實現(xiàn)特征量化，能夠增加行為識別的魯棒性，提高行為識別率。
[0019]興趣點:視頻中運動劇烈特征顯著的位置，能夠反映出視頻中人體的時間空間分布信息和運動特征。
[0020]請參閱圖1，基于SURF興趣點的行為識別方法，包括如下步驟:
[0021]S01、采集多幀連續(xù)的人體動作視頻圖像；
[0022]S02、根據(jù)SURF算法檢測每幀圖像中與人體動作相關(guān)的興趣點；
[0023]S03、對興趣點進(jìn)行包括去噪音處理以及去離群的預(yù)處理；
[0024]S04、累積多幀圖像中所有興趣點并構(gòu)造表征人體動作的運動軌跡的點集；
[0025]S05、從人體動作的運動軌跡的點集中提取目標(biāo)特征并量化得到特征向量；
[0026]S06、計算運動軌跡點集的特征向量與所有簇中心的歐式距離，得到待檢測視頻與所有簇中心的匹配值，其中，所述簇中心為樣本圖像；
[0027]S07、根據(jù)步驟S06的計算結(jié)果，將待檢測視頻圖像人體動作判定為得到的匹配值最高的人體動作。
[0028]從上述描述可知，本發(fā)明的有益效果在于:本發(fā)明通過SURF算法檢測人體動作興趣點，并對多巾貞的興趣點構(gòu)造成運動軌跡點集，提取目標(biāo)特征并量化得到特征向量后計算特征向量與所有簇中心的歐式距離得到匹配值，最后將待檢測視頻圖像人體動作判定為得到的匹配值最高的人體動作。興趣點的提取過程不要求精確定位人體和精確分割人體輪廓，因此興趣點對遮擋、重疊、尺度變化和光照變化不敏感，能夠增加行為識別的魯棒性；對興趣點進(jìn)行預(yù)處理，能夠消除噪聲影響以及提高興趣點的質(zhì)量。通過對興趣點的處理方法步驟，能夠增加圖像的魯棒性，提高圖像中人體行為的識別率。
[0029]進(jìn)一步的，所述步驟S02具體包括步驟:
[0030]S21、選定一幀人體動作視頻圖像；
[0031]S22、根據(jù)累積統(tǒng)計圖像中左上角到圖像任意一點的矩形區(qū)域內(nèi)像素值之和來計算積分圖像；具體為，假設(shè)F(i’，j’)表示原圖像中點a’，j’)的像素值，ia，j)表示的是積分圖像中點a，j)相應(yīng)的值，我們可以通過公式:
【權(quán)利要求】
1.一種基于SURF興趣點的行為識別方法，其特征在于，包括如下步驟: s01、采集多幀連續(xù)的人體動作視頻圖像； S02、根據(jù)SURF算法檢測每幀圖像中與人體動作相關(guān)的興趣點； S03、對興趣點進(jìn)行包括去噪音處理以及去離群的預(yù)處理； S04、累積多幀圖像中所有興趣點并構(gòu)造表征人體動作的運動軌跡的點集； S05、從人體動作的運動軌跡的點集中提取目標(biāo)特征并量化得到特征向量； S06、計算運動軌跡點集的特征向量與所有簇中心的歐式距離，得到待檢測視頻與所有簇中心的匹配值，其中，所述簇中心為樣本圖像； S07、根據(jù)步驟S06的計算結(jié)果，將待檢測視頻圖像人體動作判定為得到的匹配值最高的人體動作。
2.根據(jù)權(quán)利要求1所述的基于SURF興趣點的行為識別方法，其特征在于，所述步驟S02具體包括步驟: S21、選定一幀人體動作視頻圖像； S22、根據(jù)累積統(tǒng)計圖像中左上角到圖像任意一點的矩形區(qū)域內(nèi)像素值之和來計算積分圖像； S23、構(gòu)造的若干尺寸逐漸遞增的濾波器模擬Hessian矩陣濾波器以計算出與積分圖像對應(yīng)的卷積響應(yīng)圖； S24、根據(jù)非極值抑制算法查找興趣點。
3.根據(jù)權(quán)利要求1所述的基于SURF興趣點的行為識別方法，其特征在于，所述步驟S24具體包括步驟: S241、選定卷積響應(yīng)圖的目標(biāo)點并構(gòu)造該目標(biāo)點的鄰域； S242、判斷目標(biāo)點的響應(yīng)值與其鄰域內(nèi)所有點的響應(yīng)值的大小，若目標(biāo)點的響應(yīng)值大于鄰域內(nèi)所有點的響應(yīng)值，則判定該目標(biāo)點為興趣點，若否，則繼續(xù)對下一目標(biāo)點進(jìn)行判斷。
4.根據(jù)權(quán)利要求1所述的基于SURF興趣點的行為識別方法，其特征在于，所述步驟S03中的去噪音處理具體包括步驟: S31、提取出當(dāng)前幀人體動作視頻圖像與前一幀人體動作視頻圖像的興趣點，構(gòu)造興趣點集； S32、對當(dāng)前幀所有興趣點與前一幀的對應(yīng)興趣點進(jìn)行匹配，若當(dāng)前幀的興趣點和前一幀中對應(yīng)的興趣點的最小距離或第二小距離小于設(shè)定閥值，則判定興趣點匹配成功，若否則判定該興趣點為噪音點并去除。
5.根據(jù)權(quán)利要求4所述的基于SURF興趣點的行為識別方法，其特征在于，所述步驟S03中的離群處理具體包括步驟: S33、選擇一去噪音后的興趣點作為目標(biāo)點，該目標(biāo)點向設(shè)定距離閾值內(nèi)的所有興趣點進(jìn)行一次傳播； S34、依次以傳播到的興趣點為新的目標(biāo)點，并對距離閾值尚未傳播到的興趣點進(jìn)行傳播，直至目標(biāo)點的距離閾值內(nèi)無興趣點停止傳播； S35、判斷目標(biāo)點傳播到的興趣點的數(shù)量與預(yù)設(shè)點數(shù)量閾值的大小，若目標(biāo)點傳播到的興趣點的數(shù)量大小預(yù)設(shè)點數(shù)量閾值，則判定興趣點匹配成功，若否則判定該興趣點為離群點并去除。
6.根據(jù)權(quán)利要求1所述的基于SURF興趣點的行為識別方法，其特征在于，所述步驟S05中的目標(biāo)特征包括運動軌跡點集的長寬比、運動軌跡點集與目標(biāo)區(qū)域的高度比、運動軌跡點集與目標(biāo)區(qū)域的寬度比、運動軌跡點集的密度、運動軌跡點集的擴(kuò)張速度、運動軌跡點集與目標(biāo)的重合面積、運動軌跡點集與目標(biāo)區(qū)域幾何中心的平均豎直距離以及運動軌跡點集與目標(biāo)區(qū)域幾何中心的平均水平距離，其中，所述目標(biāo)區(qū)域為當(dāng)前幀人體位置。
7.根據(jù)權(quán)利要求6所述的基于SURF興趣點的行為識別方法，其特征在于，所述步驟S05中提取目標(biāo)特征后還包括提取目標(biāo)區(qū)域的長寬比和目標(biāo)區(qū)域中人體的填充率，通過對目標(biāo)特征以及目標(biāo)區(qū)域的長寬比和目標(biāo)區(qū)域中人體的填充率量化得到特征向量的步驟。
8.一種基于SURF興趣點的行為識別裝置，其特征在于，包括順次電連接的圖像采集模塊、興趣點檢測模塊、預(yù)處理模塊、點集構(gòu)造模塊、量化模塊、計算模塊以及識別模塊； 所述圖像采集模塊，用于采集多幀連續(xù)的人體動作視頻圖像； 所述興趣點檢測集模塊，用于根據(jù)SURF算法檢測每幀圖像中與人體動作相關(guān)的興趣占.所述預(yù)處理模塊，用于 預(yù)處理興趣點，包括對興趣點進(jìn)行去噪音處理以及去離群處理； 所述點集構(gòu)造模塊，用于累積多幀圖像中所有興趣點并構(gòu)造表征人體動作的運動軌跡的點集； 所述量化模塊，用于從人體動作的運動軌跡的點集中提取目標(biāo)特征并量化得到特征向量; 所述計算模塊，用于計算待檢測視頻的運動軌跡點集的特征向量與所有簇中心的歐式距離，得到待檢測視頻與所有簇中心的匹配值，其中，所述簇中心為所有標(biāo)準(zhǔn)人體行為；所述識別模塊，用于根據(jù)計算模塊的計算結(jié)果，將待檢測視頻圖像人體動作判定為得到的匹配值最高的人體動作。
【文檔編號】G06K9/20GK103955682SQ201410220401
【公開日】2014年7月30日 申請日期:2014年5月22日 優(yōu)先權(quán)日:2014年5月22日
【發(fā)明者】孫凱, 劉春秋, 徐亮, 梁子正, 吳悅 申請人:深圳市賽為智能股份有限公司