[发明专利]一种室内人体行为识别方法

说明书

技术领域

本发明涉及机器视觉技术领域，尤其涉及一种室内人体行为识别的方法。

背景技术

机器视觉作为光电技术应用的一个特定领域，目前已经发展成为一个前景光明、活力无限的行业，年平均增长速度超过20％。机器视觉广泛应用于微电子、电子产品、汽车、医疗、印刷、包装、科研、军事等众多行业。涉及技术一致，应用差异明显，是各种机器视觉应用系统的共同特点。那么作为机器视觉范畴中的人体行为识别研究也必然得到大力的使用。

人体行为识别应用主要集中在智能视频监控，病人监护系统，人机交互，虚拟现实，智能家居，智能安防和运动员辅助训练。另外基于内容的视频检索和智能图像压缩等也用到了不少行为识别的方法，它们有着广阔的应用前景和潜在的经济价值和社会价值。

行为识别大抵分为两个步骤：先提取特征，再对人体行为特征做分类器的设计。到目前为止，行为识别研究中采用的特征多为传统的二维特征，如二维网格、人体轮廓、背景减除法、梯度直方图、光流直方图、运动能量模板等。传统的基于轮廓的人体行为识别方法如图1所示：

步骤101，获取视频图像；

步骤102，利用差分法分离前景与背景；

步骤103，提取前景轮廓特征；

步骤104，PCA降维；

步骤105，放入分类器进行训练与识别。

对于行为识别分类器，不同的需求，选择也有所不同，若需快速完成训练可选择最近邻、正态贝叶斯等算法，若需准确可选择支持向量机(SVM)、神经网络等。对于一些传统的学习方法，SVM具有很大的优势，如解决小样本、高维模式和非线性识别问题，并且其推广性也很强，如应用到类似函数拟合的机器学习等问题中去。

参见图2，为现有的多任务大边界最近邻算法。x_i 1表示用第i个样本训练马氏距离矩阵，第一列表示用欧式距离度量，第二、三列表示用马氏距离度量，同一种形状并且同一种颜色代表同一种类型特征，图2中分别表示k-NN的分类结果(k＝3)。

从现有的人体行为技术可以看出，其存在如下技术缺陷：(1)环境适应性不强，对于光照、非人体的动态物体很难排除，对于识别造成干扰；(2)对人体朝向角的适应性不强，识别率不高；(3)当样本大且高维时处理速率慢；(4) 对于多任务大边界最近邻算法，其具有搜索慢的缺点，对于所选择的权值，依赖性太大，权值过小，得到的近邻数过少，会降低分类进度，同时也会放大噪声数据的干扰。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种室内人体行为识别的方法。

本发明解决其技术问题所采用的技术方案是：一种室内人体行为识别的方法，包括以下步骤：

1)通过体感设备获取人体三维骨架信息；

2)根据三维骨架信息计算三维骨架特征，所述三维骨架特征包括全局运动特征和手臂、腿部局部运动特征；

3)提取测试视频集中的三维骨架特征；

4)训练测试视频集中的三维骨架特征进行特征描述，得到训练特征集；具体过程如下：对三维骨架特征进行在线字典学习；然后稀疏主成分分析进行降维；最后融合多任务大边界最近邻算法和线性支持向量机进行联合分类；

5)提取待识别视频中的人体三维骨架特征；

6)使用多任务大边界最近邻算法和线性支持向量机对步骤5)中的人体三 维骨架特征进行分类得到特征描述；

7)将训练特征集与步骤6)中的特征描述通过打分机制做出人体行为识别判决。

按上述方案，所述体感设备为Kinect设备。

按上述方案，所述Kinect设备使用OpenNI库函数提取出彩色图像和深度图像，视频格式为ONI格式，样本集均为带标签的。

按上述方案，所述步骤1)中三维骨架信息为骨骼关节点的三维坐标；所述骨骼关节点的三维坐标以Kinect设备为世界坐标系，建立人体骨骼的动态坐标。

按上述方案，所述全局运动特征包括：身体高度特征、身体倾斜角特征、身体倾斜角速度特征、朝向角特征、朝向角速度特征、人体速度特征和轨迹特征；手臂、腿部局部运动特征包括：旋转角特征、速度特征和轨迹特征。

按上述方案，所述手臂、腿部局部运动特征中旋转角特征的计算方法为：A、设定手臂四个关节点和腿部四个关节点的旋转自由度，手臂为人体朝向方向向量和人体站立方向向量，腿部为平行于人体面方向向量和人体朝向方向向量，共16个旋转自由度；B、根据骨架初始姿态和当前姿态(也即三维坐标值)计算16个旋转自由度的旋转角。