[发明专利]一种基于有监督等距映射的人体动作识别方法

说明书

技术领域

本发明涉及模式识别与计算机视觉领域，尤其涉及一种基于有监督等距映射的人体动作识别方法。

背景技术

人体运动分析的目的是对人的动作进行认识和理解，以此为导向的研究被称为动作识别。在科学技术飞速发展的今天，动作识别应用于智能监控、身份确认、运动分析、人机交互等诸多领域，并且在这些领域都具有比较高的学术理论价值和广泛的市场实用价值。

近年来，人类动作识别逐步成为了计算机视觉中的一个极具挑战性的研究方向，并且已经取得了非常大的进展，但是还存在很多问题有待解决，而且现有的方法离满足实际应用的需求还有很大差距。目前存在的主要问题有：

（1）人体动作的特征表示。目前对人体动作的描述一般分为基于底层图像信息和基于高层人体建模两种方法。怎样表征动作才可以对动作描述更加合理并体现出动作的本质特性，如何解决这个问题在该研究发展中遇到了很多困难。因此，如何提取有代表性和区分性的特征，是该方向研究工作中所面临的重大挑战。

（2）类内变化与类间变化的影响。对于绝大多数人体动作，多样化的表现形式会出现在同一动作中。相同的动作，不同的人来完成也会有很大差异性。即使是同一个人在面对不同的情境及拥有不同的心态时，也会表现出很大差异，因此算法必须可以对类内的差异性有一定的容忍度。而且，生活中存在的人体动作本来就多种多样，种类繁多的动作也为动作识别增加了难度。

（3）算法的实时性要求。实际应用中要求动作识别判断所需的时间应尽可能的缩短，以期达到实时检测的效果。现存的一些方法，为了使用尽可能多的信息来表征动作，采用多种特征融合的方法，但是，这在一定程度上对计算速度提出了更高要求，各种特征之间互相影响，也会给识别带来难度，起到了混淆的反作用。

通过对高维人体特征进行有效的特征降维可以提取人体动作的本征特征，能显著提高特征的鉴别能力。针对人体运动的时空可变性和高时空复杂性问题，以流形学习理论为基础的人体动作高维特征空间的非线性降维方法开始蓬勃发展。

基于有监督等距映射的人体动作识别的核心思想是对人体动作的高维特征空间通过有监督等距映射算法进行非线性降维，从而获得人体动作的低维流形表示，然后在低维流形上进行人体动作识别。

发明内容

本发明的目在于如何提供一种基于有监督等距映射的人体动作识别方法，其旨在突破现有算法的局限性，在提高分类精度的同时降低算法复杂度，使得在实际的工程应用中更容易实现。

为达到上述目的，本发明采用如下技术方案：

一种基于有监督等距映射的人体动作识别方法，其特征在于，包括以下步骤：

S1、对视频通过码书方法进行前景提取，得到二值化人体前景图像；

S2、对人体前景图像进行形态学处理并归一化，得到人体剪影图像；

S3、对人体剪影图像序列进行周期化分析，对每个视频，通过包含一个完整动作周期的关键帧来表示该视频；

S4、对人体剪影图像的关键帧进行向量化，通过有监督的等距映射进行特征降维；

S5、将降维后的特征通过基于Hausdorff距离的最近邻分类器进行识别。

上述基于有监督等距映射的人体动作识别方法，更进一步地描述为：

S1、对输入视频使用中值滤波进行去噪处理，通过码本codebook法进行背景建模，构建一个随时间和空间变化而自适应变化的背景模型，之后将当前帧与背景模型进行差分，根据预设定的阈值，分割图像后得到人体动作前景图像I；

S2、将人体动作二值剪影图像I经过4次开运算，之后根据预设定的阈值合并小区域并进行空洞填充，得到最大连通区域I’，根据I’确定人体动作剪影轮廓图像的中心，将图像进行归一化；

S3、每个视频中提取出的人体剪影图像序列进行周期化分析，根据长宽比时变曲线上的极值点确定一个完整周期动作的始末帧作为表示视频动作的关键帧；

S4、将上述关键帧图像进行向量化，通过有监督的等距映射进行特征降维，构成样本特征数据库；

S5、对新加入的测试视频，通过S1-S4步骤进行处理后，将降维后的特征序列经过基于均值Hausdorff距离的最近邻分类器与特征数据库中的样本序列进行比对，得到识别结果。

所述步骤S4中有监督的等距映射包括如下步骤：

S41、求解差异度矩阵；

S42、构建近邻图；

S43、更新差异度矩阵；

S44、计算测地距离矩阵

S45、计算测试样本帧的线性表出系数；