基于PE—Cuboid特征的人体行为识别算法.docVIP

基于PE—Cuboid特征的人体行为识别算法 　　摘要：为了克服单纯使用局部时空兴趣点（spatial-temporal interest point，STIP）的方法在对视频序列中人体行为进行识别时提取的特征点太少，且其不能完整的表征图像的特征，提出一种结合局部特征和全局特征的特征描述子PE-Cuboid，能有效的提高人体行为识别的正确率。对每一个视频序列提取PE-Cuboid特征，利用像素变化概率图（PCRM）和边缘方向直方图（EOH）捕捉全局运动信息，局部的Cuboid描述子对全局特征做进一步区分，对最终生成的PE-Cuboid特征进行K-means聚类形成视觉词汇本（visual dictionary），将视觉词汇本输入到线性SVM分类器（linear Support Vector Machines，LSVM）中进行学习、训练、分类，最后采用打分的机制得到行为类别。该文算法在KTH、 Weizmann行为数据库和我们自拍测试集中都做了测试，实验结果显示算法具有较高的识别率。 　　关键词： 行为识别；时空兴趣点；PE-Cuboid；支持向量机 　　中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2014）06-1287-04 　　Human Action Recognition Algorithm Based on PE-Cuboid 　　TAO Ling 　　（School of Computer Science a nd Engineering， Wuhan Institute of Technology， Wuhan 430074，China） 　　Abstract： The methods of human action recognition using only local spatial-temporal interest points are normally lack of effective feature points to describe an action.This paper presents a feature descriptor PE-Cuboid combing local features and global features，this approach can highly improve the recognition rate of human action. To extract PE-Cuboid features of each video sequence， the global motion information is composed of pixel change ratio map（PCRM） and edge orientation histograms（EOH） while the local feature is represented as a collection of Cuboid descriptors. An action codebook is constructed by clustering the PE-Cuboid features using K-means method，then we use the visual dictionary as a input for a linear support vector machine（LSVM） to train a classifier，finally action recognition is achieved by scoring mechanism.We test our algorithm on the KTH human motion dataset，the Weizmann human action dataset and our own testing dataset，the results indicate our approach has a high recognition rates on those datasets. 　　Key words：action recognition， STIP， PE-Cuboid， SVM 　　对视频序列中的人体行为识别通常分为两个步骤：首先对视频中的运动人体目标提取特征，用这些特征来表征人体运动信息，接着根据这些特征对行为进行识别。然而在实际研究中，由于光照变化、遮挡、复杂背景等环境因素的影响，如何在视频中提取出有效的并能适应于环境变化的特征对于行为识别显得尤为重要[1]。 　　目前用于行为识别的特征描述方法大致可以分为全局特征和局部特征。全局特征一般是利用人体外形轮廓来