[发明专利]一种基于非负矩阵分解和隐马尔科夫模型的人体行为识别方法

权利要求书

1.一种基于非负矩阵分解和隐马尔科夫模型的人体行为识别方法，其特征在于：所述人体行为识别方法包括以下过程：

(一)、离线训练阶段，包括以下步骤：

1.1，在行为数据库中选取待识别类型行为序列作为训练数据，假设共选取了NUM个行为序列，NUM为自然数，对每一行为序列进行图像预处理，得到该行为连续N帧的二值化图像；

1.2，将得到的每一帧二值化图像的像素矩阵按列拆开，并按顺序首尾相连形成一列，则一个训练行为序列可以得到一个包含N列的原始矩阵A_i；

1.3，将NUM个训练行为序列所得到的原始矩阵按列方式组合在一起，得到一个具有N×NUM列的总样本数据矩阵A；

1.4，将获得的总样本数据矩阵A进行非负矩阵分解，以获得基矩阵W和系数矩阵H，分解原理为：

A_m×n≈W_m×rH_r×n

其中，r为基向量数，其为任意值且(m+n)r＜m×n；分解方法为对W和H按下式进行迭代更新，直至||A-WH||²收敛：

Hij←Hij(WTA)ij(WTWH)ij]]>

Wki←Wki(AHT)ki(WHHT)ki]]>

其中，ij和ki均为矩阵的下标，表示矩阵在第i(k)行和第j(i)列的值；

1.5，以基矩阵W的列向量为基向量构造特征子空间，将每一个训练行为序列的原始矩阵A_i投影到该特征子空间，得到该训练行为序列的特征向量e_i，计算公式为：

e_i＝W^TA_i

则可知e_i的大小为r×N，按列组合e_i可得各类训练行为特征矩阵E_i；

1.6，为每一类行为建立一个隐马尔科夫模型，初始化各类行为的隐马尔科夫模型，并采用Baum-Welch算法根据各类训练行为特征矩阵E_i分别估计各个隐马尔科夫模型的最优参数；

(二)在线识别阶段，包括以下步骤：

2.1，读取待识别的测试行为序列，对其进行图像预处理，得到该行为连续N帧的二值化图像；

2.2，将得到的每一帧二值化图像的像素矩阵按列拆开，并按顺序首尾相连形成一列，则得到一个N列的原始矩阵a；

2.3，以训练样本所得到的基矩阵W的列向量为基向量构造特征子空间，将待识别行为序列的原始矩阵a投影到该特征子空间，得到该行为序列的特征向量e_r×N，计算公式为：

e＝W^Ta

2.4，使用在离线训练阶段已经估计好最优参数的HMM，使用前向后向算法分别计算特征向量e与每一类训练行为在N个分量上的似然值；

2.5，计算待识别行为序列与每一类训练行为序列的总似然值，即将N个分量上的似然值相加，并比较总似然值大小，依最大似然原则，总似然值最大的训练行为所在的行为类别即为该行为的行为类别，完成人体行为识别。

2.如权利要求1所述的基于非负矩阵分解和隐马尔科夫模型的人体行为识别方法，其特征在于：所述步骤1.1和步骤2.1中，预处理包括运动目标检测、噪声处理和二值化处理。