[发明专利]一种多视角的人体行为识别方法

权利要求书

1.一种多视角的人体行为识别方法，该方法包括以下步骤：

(1)学习一组特定视角的迁移字典，使同一个动作在不同视角下的稀疏表示相同，使不同视角的动作特征迁移到稀疏空间中；

(2)通过视角自适应变换模型，将稀疏表示从稀疏空间变换到新的共用空间，该模型联合学习了分布自适应模型、结构一致模型和判别信息保留模型；

所述步骤(1)中，特定视角的迁移字典的目标函数为公式(1)所示：

其中||·||_F是矩阵的Frobenious范数，是第v个视角的特定视角的字典，J是字典的原子个数，并且所有特定视角的字典的原子是相同的；X是稀疏矩阵，ρ是稀疏约束参数；获得了特定视角的字典后，通过正交匹配追踪算法计算相应视角样本的稀疏表示；

所述公式(1)中，D^v通过KSVD算法解决；

所述步骤(2)中，视角自适应变换模型包括：平衡分布自适应模型，局部结构一致模型和判别信息保留模型；

所述平衡分布自适应模型，用于评价边缘分布和条件分布的相对贡献，使用最大均值差异来计算视角之间的分布差异，假设R个源视角的数据为X_(s)＝[X₁,...,X_R]，目标视角的数据为X_(t)，特征空间和类别是相同的，但是边缘分布和条件分布均不同，P_r(X_r)≠P_t(X_(t))，P_r(l_r|X_r)≠P_t(l_t|X_(t))，其中和分别为源视角和目标视角的类标签，N_r和N_t分别为第r个源视角和目标视角的样本个数，平衡分布自适应模型的目标函数为公式(2)：

其中A为变换矩阵，N_r,c和N_t,c分别为第r个源视角和目标视角在第c个类的样本个数，X_r,c和X_(t),c分别为第r个源视角和目标视角在第c个类的样本矩阵，μ为平衡参数；如果μ变小，意味着源视角和目标视角的差异较大，边缘分布自适应更重要，否则条件分布自适应更重要；因为目标视角的数据是没有类标签的，所以使用源视角的数据训练分类器来预测目标视角数据，以获得伪标签；由于目标视角样本的伪标签不可靠，所以基于上一次迭代的结果来改善预测结果；

其特征在于：所述局部结构一致模型的目标函数为公式(3)：

其中为源视角和目标视角所有样本的个数，为关联矩阵，矩阵中的每一个元素为两个样本的相似性：

2.根据权利要求1所述的多视角的人体行为识别方法，其特征在于：所述判别信息保留模型的目标函数为公式(4)：

其中是第r个视角样本的标签矩阵，为第r个视角第n个样本的标签向量，它的第c个元素是1，其它元素是0。

3.根据权利要求2所述的多视角的人体行为识别方法，其特征在于：所述视角自适应变换模型的目标函数为公式(5)：

4.根据权利要求3所述的多视角的人体行为识别方法，其特征在于：该识别方法中使用的分类方法为最近邻分类法：如果一个测试样本在特征空间中最相邻的训练样本所属某一个类别，则该测试样本属于这个类别。