1.一种基于特征优选与多种特征融合的人体行为识别方法,其特征在于:包括以下步骤:步骤1,读取视频帧图像并进行去噪预处理,采用高斯滤波器对图像序列进行降噪处理,增强图像质量;
步骤2,对完成预处理的视频帧图像分别提取HOG特征与SURF特征;
步骤3,利用PCA算法对HOG特征进行降维处理;
步骤4,对PCA降维后的HOG特征应用Pearson相关系数、Spearman相关系数和Kendall系数进行二次降维处理;
步骤5,将SURF特征向量与二次降维后的HOG特征向量进行特征融合,利用支持向量机进行分类识别;
步骤5具体为:
S5.1,对视频中存在人体动作的部分进行分割:提取每一帧的SURF特征,将有效特征数大于一定数量的帧视为有效帧;设定一个时间窗口,在有效帧之间进行特征点的匹配,对相邻两帧之间进行特征匹配,将与前后两帧的匹配特征均大于一定数量的帧视为关键帧,即,匹配特征的置信概率大于90%;若在时间窗口之内,关键帧数量大于设定好的阈值,则将该窗口分割出来,作为一个视频片段;
S5.2,对每个分割好的视频片段计算特征,对片段内每帧计算HOG特征,并进行降维后,将特征串联,同时对每帧计算SURF特征,取每帧前N个最显著的特征点,并将其转换为特征向量,将特征向量串联后,再与降维的HOG特征串联,形成分类所需的融合的特征向量;
S5.3,采用支持向量机SVM进行训练识别,SVM采用RBF核函数
2.根据权利要求1所述一种基于特征优选与多种特征融合的人体行为识别方法,其特征在于:步骤2中提取HOG特征具体过程为:S2.1.1,按照差分公式计算图像梯度大小矩阵和梯度方向矩阵,将360度(2π)分割成n个bins,每个bin包含 度 S2.1.2,根据每个像素点的梯度方向,找到对应的bin,并且在bin值所在的维度加上梯度大小,得到一个n维的直方图;S2.1.3,对图像进行分块处理,得到许多个小cells,针对每个小cell,统计其梯度方向直方图,将多个小cell构成一个block,每个block的梯度方向直方图为每个cell的梯度方向直方图的级联,级联所有block的梯度方向直方图得到整个图像的HOG特征直方图。
3.根据权利要求2所述一种基于特征优选与多种特征融合的人体行为识别方法,其特征在于:步骤2中提取SURF特征的具体过程为:S2.2.1,采用Hessian矩阵行列式来检测特征点;S2.2.2,构建图像的尺度空间,在尺度空间中实现特征点定位;S2.2.3,确定特征点的方向;S2.2.4,构建SURF特征向量,在特征点周围取一个4×4的矩形区域块,每个子区域统计
25个像素的水平和垂直方向的Haar小波特征,把Haar小波值作为每个子块区域的特征向量,所以一共有4×4×4=64维向量作为SURF特征向量。
4.根据权利要求3所述一种基于特征优选与多种特征融合的人体行为识别方法,其特征在于:步骤3中将高维n维特征映射到低维k维特征上,具体过程如下:假设有m个样本,对应特征向量为Xi,Xi的维数为n,则由向量构成的样本可表示为一个n行m列的矩阵X={x1,x2...,xm},则该样本的平均向量为 求出协方差矩阵C为对矩阵C求特征值与对应的特征向量,然后将特征向量按对应特
征值大小从上到下按行列排列成矩阵,取前k行组成矩阵p,则Y=PX即为降维到k维后的矩阵。
5.根据权利要求4所述一种基于特征优选与多种特征融合的人体行为识别方法,其特征在于:步骤4具体过程为:S4.1,采用Sobel算子检测提取图像的边缘,计算边缘像素梯度幅值、梯度方向,将360度(2π)分割成n个bins,每个bin包含 度 然后根据像素点的梯度方向,找到对应的bin,并且在bin值所在的维度加上梯度幅值,得到一个n维的边缘方向直方图;S4.2,通过相关系数公式计算帧图像间的边缘方向直方图相似度;S4.3,根据相似度值的大小确定特征维度进行特征筛选,实现二次降维。