[发明专利]基于深度映射的人体活动识别特征表达方法

摘要

本发明涉及模式识别技术领域，具体涉及一种基于深度映射的人体活动识别特征表达方法；提供一种基于深度映射的人体活动识别特征表达方法，该方法易于实现，并提升了动作识别的准确性；从体感摄像机的彩色图像序列中，提取人体活动时空兴趣点p，以人体活动时空兴趣点p为中心，计算彩色图像序列中光流特征和梯度特征，从体感摄像机的深度图像序列中，找到对应的人体活动时空兴趣点p’，并得到p’的深度值，基于高斯混合体模型，根据p’的深度值将p分成N层，构建基于深度映射的多通道表达，然后对每层的时空兴趣点通过聚类算法聚类，并用词袋模型来表达，得到直方图向量，将每层特征表达连接起来，组成特征S＝(H₁,...,H_i,...,H_n)；本发明主要应用在人体活动识别方面。

主权项

1.基于深度映射的人体活动识别特征表达方法，其特征在于，按照以下步骤进行：S1：从体感摄像机的彩色图像序列中，提取人体活动时空兴趣点p，其坐标为(x,y,t)；S2：以人体活动时空兴趣点p为中心，设X＝{X¹,X²,.......,X^m}为所有训练样本，其中是从训练样本的第m种活动行为中提取的时空兴趣点特征，则彩色图像序列中光流特征和梯度特征为{x_i,y_i,z_i,HOG,HOF}^T，其中x_i,y_i,z_i分别代表三维时空点(x,y,z)，HOG、HOF分别为梯度特征直方图和光流特征直方图特征向量；S3：从体感摄像机的深度图像序列中，找到对应的人体活动时空兴趣点p’，并得到p’的深度值；S4：基于高斯混合体模型，根据p’的深度值将p分成N层，构建基于深度映射的多通道表达，设Z＝{Z¹,Z²,.......,Z^C}，其中上式中，Z代表整幅深度图上所有像素点的深度值集合，C代表通道数，即分层数，r代表每个像素点的深度值；通过高斯混合体模型在所有人体活动动作上建立学习活动深度信息映射关系，高斯混合体模型的每一部分对应一个活动的深度结构，通过最大期望算法估计高斯混合体参数，获得高斯混合体的参数后，剔除掉权值非常小的高斯混合体；由动作深度映射的高斯混合体模型，可以根据时空兴趣点的深度值r把它分到不同高斯混合体部分，其中r通过下式获得：其中k为第k个高斯体，r为深度值，u为高斯体深度位置，σ为高斯体深度方差；S5：对每层的时空兴趣点通过聚类算法聚类，并用词袋模型来表达，得到直方图向量H_i；S6：将每层特征表达连接起来，组成特征S＝(H₁,...,H_i,...,H_n)。