>【附圖說明】
[0012] 圖1為一種基于多特征時空關系融合的人類行為識別方法的流程圖。
【具體實施方式】
[0013] 下面對本發(fā)明的較佳實施例進行詳細闡述，W使本發(fā)明的優(yōu)點和特征能更易于被 本領域技術人員理解，從而對本發(fā)明的保護范圍做出更為清楚明確的界定。
[0014] 本發(fā)明實施例包括；一種基于多特征時空關系融合的人類行為識別方法，具體步 驟包括： 步驟1;對視頻進行密集軌跡特征抽取，首先在一個密集型網格中進行特征點采樣。為 了使得采集的特征點能適應尺度變換，將同時在多個不同空間尺度的網格中進行采樣，然 后密集軌跡特征通過估計每一帖的光流場對每個采樣點進行跟蹤，并且每個采樣點只在其 對應的空間尺度內跟蹤L帖，最后分別對特征計算光流直方圖和運動邊界直方圖作為兩種 不同的特征； 步驟2;設所述步驟1中抽取的兩種特征為feal和fea2,對該兩種特征分別 進行KMEANS聚類得到的質屯、分別為
和
由得到的該兩種特征的質屯、構造時空二部圖 G(V，巧。
[001引其牛
，E為二部圖的鄰接矩陣，即；
其中，S為整個訓練集中兩種特征之間時空距離矩陣之和，即；
其中，01?,，.化)0時,，化0為兩種特征對應質屯、在視頻￥中的時空距離矩陣，通過計算每 個視頻中任意兩個特征對應時空坐標之間的L1距離來衡量兩個特征之間的時空關系，L1 距離計算公式為：
步驟3 ;采用K路二部圖分割技術將步驟2中的時空二部圖分割為具有強時空關系的 質屯、和具有弱時空關系的質屯、給定一個二部圖G(V，E)，二部圖的K路分割將頂點集合V分 割成k個子集扔擔1化度1，目的是最小化平衡代價函數：
并使用奇異值分解求出L的1 =fbg;kll=flog^kl個次大奇異值對應的左奇異向量UP 和右奇異向量踩皆，其中設U= (1%…,U!)IJ= (U2,'..，Ui)，￥=(咕...，Vi)￥=(咕...，耐，％I!。到UlU|分別對應L的第二大到第1大奇異值對應左奇異向量，到巧巧分別對應L的第 二大到第1大奇異值對應右奇異向量；
對班的行向量進行KMEANS聚類，得到的K個質屯、為融合質心設kfealkfeal為特征1的 質屯、數量，護為特征2的質屯、數量，則矩陣提的行數為護"卡護&=護al+護心，通 過聚類，Z2的前護"護"個行向量所屬質屯、分別對應特征1的護"護"個質屯、所屬類別，Z 乙的后護心護》2個行向量所屬質屯、分別對應特征2的護aSkfeaS個質屯、所屬類別. 步驟4;設融合前視頻V的距離矩陣為DM,rDM,，，進行融合的兩種特征為feal和fea2,兩種特征對應質屯、集合分別為
和
，且原質屯、到融合質屯、的映射函數為巧巧甘 f州)刪； 其中

則質屯、融合后視頻V的距離矩陣為DM許M(，，其中DM(，a掃=S時片的片DMy任，也
首先計算/eai的質屯、誠在視頻V中與/eaJ觀所有質屯、W距離左g左g相關的條 件概率為：
其中，His(Wfeai,左s)His(機fMi,左S)表示在視頻V中/eai的質屯、WfeaiwfMi與觀 所有質屯、相距.￡,￡,的次數， 然后，對稱的計算fea2的質屯、W/-2wf@as在視頻V中與/eai的所有質屯、W距離丈^尤。 相關的條件概率為：
最后，整個視頻V可W被編碼成2m*k的矩陣：

步驟5 ;最后，利用獲得的融合后視頻級編碼，訓練一個多類支持向量機用于新視頻的 識別。
[0016] 與現有技術相比，本發(fā)明一種基于多特征時空關系融合的人類行為識別方法，該 方法通過計算每個視頻中特征之間的時空距離，從而構建兩種特征對應質屯、之間的時空二 部圖，并采用K路二部圖分割技術對時空二部圖進行分割，W此將具有強時空關系的質屯、 融合，更好的挖掘了不同特征的有效信息，提升了識別準確率。
[0017] W上所述僅為本發(fā)明的實施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā) 明說明書所作的等效結構或等效流程變換，或直接或間接運用在其他相關的技術領域，均 同理包括在本發(fā)明的專利保護范圍內。
【主權項】
1. 一種基于多特征時空關系融合的人類行為識別方法，其特征在于，具體步驟包括： 步驟1:對視頻進行密集軌跡特征抽取，并以光流直方圖和運動邊界直方圖兩種方法 對抽取的軌跡特征進行表示，得到兩種特征表示； 步驟2 :用KMEANS算法構建兩種特征對應質心之間的時空二部圖； 步驟3 :采用K路二部圖分割技術將步驟2中的時空二部圖分割為具有強時空關系的 質心和具有弱時空關系的質心，將分割后具有強時空關系的質心融合起來，將具有弱時空 關系的質心分開； 步驟4:計算具有強時空關系的質心之間的時空距離矩陣，并采用基于條件概率的表 示方法對距離矩陣進行壓縮，得到兩種特征融合后的視頻級編碼； 步驟5 :訓練分類器并進行識別。2. 根據權利要求1所述的一種基于多特征時空關系融合的人類行為識別方法，其特征 在于：所述步驟2中KMEANS算法將所述步驟1中得到的兩種特征進行聚類，從而得到若干 個質心，通過計算每個視頻中任意兩個特征對應時空坐標之間的Ll距離來衡量兩個特征 之間的時空關系，利用兩種特征之間的時空關系計算其質心之間的時空關系，并得到兩種 特征對應質心之間的時空二部圖。3. 根據權利要求1所述的一種基于多特征時空關系融合的人類行為識別方法，其特征 在于：所述的步驟4中所述條件概率表示方法首先對質心之間的距離向量進行離散化，然 后以條件概率描述任意兩個融合后質心之間的時空距離分布信息。
【專利摘要】本發(fā)明公開了一種基于多特征時空關系融合的人類行為識別方法，具體步驟包括：通過光流直方圖和運動邊界直方圖對視頻抽取的密集軌跡特征進行表示，然后用KMEANS算法構建兩種特征對應質心之間的時空二部圖，采用K路二部圖分割技術將時空二部圖分割，采用基于條件概率的表示方法得到兩種特征融合后的視頻級編碼，最后訓練分類器并進行識別，通過上述方式，本發(fā)明一種基于多特征時空關系融合的人類行為識別方法，該方法通過計算每個視頻中特征之間的時空距離，從而構建兩種特征對應質心之間的時空二部圖，采用K路二部圖分割技術對時空二部圖進行分割，將具有強時空關系的質心融合，更好的挖掘了不同特征的有效信息，提升了識別準確率。
【IPC分類】G06K9/62, G06K9/00
【公開號】CN104881655
【申請?zhí)枴緾N201510298003
【發(fā)明人】姚莉
【申請人】東南大學
【公開日】2015年9月2日
【申請日】2015年6月3日