资源描述：
《一种基于属性贝叶斯网络的行为识别模型-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。
1、第39卷第3期西南师范大学学报(自然科学版)2014年3月Vol.39No.3JournalofSouthwestChinaNormalUniversity(NaturalScienceEdition)Mar.2014文章编号:10005471(2014)3000705一种基于属性贝叶斯网络的行为识别模型①陈文强,肖国强,林霄,邱开金西南大学计算机与信息科学学院,重庆400715摘要:针对传统行为识别方法仅利用底层特征识别的不足,提出了一种将动作属性与贝叶斯网络相结合的行为识别方法.首先,提取视频中的时空兴趣点及其3D-SIF
2、T特征描述符,用词袋的方法建立时空词典对视频序列进行表示;然后,利用底层特征训练属性分类器,构造由底层特征到高层特征的映射,将底层特征样本经过属性分类器后得到行为—属性的样本信息,并采用MAP(最大后验概率)准则学习贝叶斯网络结构,从而建立一种基于属性贝叶斯网络的行为识别模型.实验结果表明该模型能有效地进行行为识别.关键词:行为识别;时空兴趣点;3D-SITF;属性分类器;贝叶斯网络中图分类号:O212.8文献标志码:A人体行为识别作为计算机视觉领域中的研究热点之一,在视频监控、人机交互、智能机器人等领域有广泛的应用前景.人体
3、行为识别的目的是对视频序列中的人体行为进行理解和分类.由于现实环境的复杂性,如光照,视角,背景等变化,使得行为识别面临很大的挑战.[1-12]目前的行为识别方法主要是基于底层特征(视觉特征)的识别,即在提取人体运动的底层特征之后直接对该行为进行分类.这些底层特征一般可以分为两种,一种是自上而下地先定位出整个人体再进行编码的全局特征,另外一种是通过时空兴趣点提取视频序列的局部时空描述算子.这些传统的识别方法并没[13]有利用人体行为中蕴含的语义信息,Liu等提出了一种基于动作属性的识别方法,将人体的动作属性与底层特征相结合,取得
4、了良好的识别效果.本文提出了一种在引入动作属性的基础上,通过构造贝叶斯网[1-3]络模型进行识别的方法.在特征提取阶段,首先,检测视频序列中的时空兴趣点,提取以兴趣点为中心[4]的3D-SIFT特征描述符,用K-means对特征样本聚类生成时空词典形成底层特征样本集.然后根据人工定义的动作属性,用部分训练样本的底层特征通过支持向量机(SVM)训练出属性分类器;另一部分训练样本先通过训练好的属性分类器得到属性特征样本集,然后用这些高层属性特征样本集学习贝叶斯网络结构,构造属性—行为、属性—属性的条件概率表.在测试阶段,将测试样本
5、通过属性分类器得到属性特征,最后用训练好的贝叶斯网络模型对其进行预测分类.实验结果表明该方法有一定的可行性.1特征提取1.1时空兴趣点检测时空兴趣点是指在视频序列中变化比较剧烈的关键点,可以有效地对人体的运动区域进行描述.本文[2]采用Dollar提出的时空兴趣点检测器检测视频中的时空兴趣点,定义响应函数R22(1)R=(I*g*hev)+(I*g*hod)①收稿日期:20131017基金项目:中央高校基本科研业务费专项资金项目(XDJK2011C073).作者简介:陈文强(1988),男,福建福州人,硕士,主要从事数字媒体处
6、理研究.2西南师范大学学报(自然科学版)http://xbbjb.swu.cn第39卷-(x2+y2)12g(x,y;σ)=e2σ(2)22πσ2-t2hev(t;τ,ω)=-cos(2πtω)eτ(3)2-t2hod(t;τ,ω)=-sin(2πtω)eτ(4)4其中ω=,g(x,y;σ)是二维Gaussian平滑核函数,hev和hod是一对正交的一维Gabor滤波器,σ和τ分τ别为响应函数R的空间尺度与时间尺度.1.23D-SIFT[4]3D-SIFT特征描述算子是一种三维时空梯度方向直方图,是具有尺度不变性的经典2D-S
7、IFT特征算子在时空域上的扩展,对视频序列中的点(x,y,t)定义3D梯度函数为222(5)m3D(x,y,t)=Ix+Iy+ItIx=I(x+1,y,t)-I(x-1,y,t)(6)Iy=I(x,y+1,t)-I(x,y-1,t)(7)It=I(x,y,t+1)-I(x,y,t-1)(8)梯度矢量在XY平面上的投影与轴的夹角为θ,与XY平面的夹角为φ,则-1æIyöæππöθ(x,y,t)=tanç÷θ∈ç-,÷(9)èIxøè22øæItö(x,y,t)=tan-1(10)φç÷22èIx+Iyø将以兴趣点为中心的时空立方
8、体划分成相同大小的子立方体,每个像素的梯度矢量与一个三元组(m3D,θ,φ)对应.分别对θ,φ建立直方图,有′)2′)2′)2)1′′æ-((x-x+(y-y+(z-zöH(i,i)=m3D(x,y,t′)expç÷(11)θφè2σ2øωφ+Δφθ+Δθθ+Δθω=∫∫si
