[发明专利]基于第二代Bandelet统计特征的人体运动识别方法

说明书

技术领域

本发明属于图像处理技术领域，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。

背景技术

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，具有重大的应用前景。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：基于学习的人体运动识别、基于模型的人体运动识别和基于表现的人体运动识别。

第一种，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Ivan Laptev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。另外还有Somayeh Danafar和Niloofar Cheissari在其论文中采用了基于光流的特征提取方法和基于SVM的运动识别方法，其中基于光流的特征是从图像序列的相邻帧中提取。该识别方法的优点与人体模型的方法和模板匹配的方法相比是比较鲁棒，检测结果较优，但是缺点是运动信息的计算过程缺乏对行为的全局分析，且计算特征的复杂度较高，需要很多训练数据，通常需要上万的数据。

第二种，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：Ju Sun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。

第三种，基于表现的方法，无须对人体建模，直接提取图像中感兴趣区域的底层二维表观特征，然后找出区域特征与人体动作的对应关系进行匹配。如Bobick和Davis采用了基于轮廓表征的特征表示方法和基于MHI和MEI模板的识别方法。这种方法与基于模型的方法相比计算比较简单，缺点是提出的特征对环境的动态变化敏感，易受背景变化的影响，对纹理变化不够敏感，不能最优的表征图像边缘，同时由于人体姿态的复杂性，很难构造出足够的模板以处理不同的姿态，故正确率也不高。

发明内容

本发明目的是针对上述已有技术的不足，提出的一种基于第二代Bandelet统计特征的人体运动识别方法，以降低图像特征提取的复杂度，同时提高特征的表征能力，在无需大量训练数据的情况下，有效地提高人体运动识别的正确率。

为实现上述目的，本发明的技术方案包括如下：

(1)将Weizmann数据库中的每段视频转换为连续的单幅序列图像，并按照8∶1的比例构建训练样本集X和测试样本集T；

(2)对训练样本集X中的单幅序列图像，进行第二代Bandelet变换，提取每幅图像的Bandelet系数；

(3)计算每幅图像Bandelet系数的7类统计特征，分别为能量特征V_e，熵特征V_s，最大值特征V_max，最小值特征V_min，对比度特征V_c，均值特征V_μ和方差特征V_v；

(4)将上述所有统计特征级联,得到单幅序列图像的特征V＝{V_e，V_s，V_max，V_min，V_c，V_μ，V_v}；

(5)按照上述步骤(2)~(4)分别将训练样本集X和测试样本集T中的所有序列图像提取特征，获得训练样本特征集X^*和测试样本特征集T^*；

(6)利用Adaboost算法和训练样本特征集X^*对这7类Bandelet统计特征进行选择，在特征选择的同时训练并构建分类器：