[发明专利]一种多视角的人体行为识别方法

说明书

公开一种多视角的人体行为识别方法，其能够有效地提取更具判别性、鲁棒的特征，从而提高了多视角的人体行为的识别精度。这种多视角的人体行为识别方法，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。

技术领域

本发明涉及计算机视觉和模式识别的技术领域，尤其涉及一种多视角的人体行为识别方法。

背景技术

人体行为识别是机器学习和计算机视觉领域中一个重要的研究课题，在众多研究课题中得到广泛的应用，如人机交互，视频监控，运动检索和体育视频分析等。目前，在单视角人体行为识别方面已取得了令人满意的表现。但是，当视角发生变化时，性能会显著下降。主要原因是不同视角人体行为的表观差异很大，具体表现为背景、相机运动、照明条件和遮挡情况不同，严重影响到同一个动作在不同视角下的特征表示。因此，多视角的人体行为识别是一个具有挑战性的问题，为此，人们在过去几年提出了众多的解决方法。

现有的方法多使用自相似矩阵或视角不变的规范姿态和轨迹作为多视角动作的视角不变的特征表示。这类方法在视角变化程度小时，具有较好的识别性能。但对较大的视角差异不敏感。另外一种方法基于3D人体模型实现动作识别，这类方法通过几何变换实现在不同视角间的转换。然而，这类方法需要在许多模型参数空间上找到3D和2D之间的最佳匹配，计算效率较低。此外，这些方法的性能与3D模型的质量密切相关。尽管3D模型可以投影到尽可能多的视角，但这些离散的投影将不可避免地导致3D几何信息的丢失。

最近，迁移学习是一个热门的研究课题，其核心是找到源域和目标域之间的相似性，并加以合理利用，从而实现知识的迁移。基于迁移学习的方法在多视角行为识别方法中已获得良好的结果。这些方法将多视角行为识别视为迁移学习问题，并探索出不同视角的共用子空间。但是，当两个视角差异较大时，这些方法无法保证同一个动作在不同视角下的特征相似，因此，大大损害迁移学习的效果。

发明内容

为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种多视角的人体行为识别方法，其能够有效地提取更具判别性、鲁棒的特征，从而提高了多视角的人体行为的识别精度。

本发明的技术方案是：这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。

本发明通过可迁移的特定视角字典将底层的特征迁移到视角无关的稀疏空间中，以较低维度的特征表示不同视角的运动；通过视角自适应变换模型，学习得到视角共用的变换矩阵，将不同视角的特征从稀疏空间投影到新的空间；所以能够有效地提取更具判别性、鲁棒的特征，从而提高了多视角的人体行为的识别精度。

附图说明

图1示出了根据本发明的多视角的人体行为识别方法的流程图。

图2示出了本发明方法在IXMAS数据库上不同视角不同动作类的识别结果。

图3示出了本发明方法在ACT4²数据库上不同视角不同动作类的识别结果。

具体实施方式

如图1所示，这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；