[发明专利]一种基于动作子空间与权重化行为识别模型的行为识别方法

权利要求书

1.一种基于动作子空间与权重化行为识别模型的行为识别方法，其特征在于，包括以下步骤：A1，输入待测试的行为视频序列，利用动态背景检测方法或静态背景检测方法来检测背景图像，利用减背景方法来获取前景图像；A2，提取运动目标的轮廓并对轮廓特征进行相应表示；A3，利用KPCA算法在核引导子空间中对高维特征实现非线性降维，在低维空间中进行行为轨迹的映射；A4，利用行为识别模型即WCRF模型进行行为识别。

2.根据权利要求1所述的行为识别方法，其特征在于，所述步骤A2具体方法为，等距划分每个轮廓图像为h×w个互不重叠的子块；然后用N_i＝b(i)/mv，i＝1，2，…，h×w计算每个子块的归一化值，其中，b(i)是第i个分块的前景像素数目，mv是所有b(i)的最大值；在 空间中，第t帧的轮廓描述符是f_t＝[N₁，N₂，…，N_h×w]^T，整个视频相应表示为vf＝{f₁，f₂，…f_T}。

3.根据权利要求1所述的行为识别方法，其特征在于，所述步骤A3具体方法为，设k是一个半正定核函数，通过式(1)定义两个向量 和 之间的非线性关系。

在H空间寻找主成分的系数问题可以归结为内核矩阵κ的对角化：

其中，所以

将新点X映射到第j个主轴Z^j可表示为：

实验中使用高斯核函数；

获得包括第一个d主成分的嵌入空间后，任何一个视频v可以被映射为d维特征空间的一个关联轨迹T_o＝{O₁，O₂，…，O_T}。 

4.根据权利要求1所述的行为识别方法，其特征在于，所述步骤A4中所述的WCRF模型，利用下述方法进行行为建模：

设s_l，t是L链的WCRF中链l在时间t的变量，隐状态的分布定义为：

(6)

其中，{Φ_l}是内链节点的隐函数，Ψ_l是链轮节点的隐函数，并根据特征{f_k}和G的权重λ_k权重化这些隐函数：

(7)。

。