【摘要】：按式（5.5），即可计算I（x，y）的PCo，o=1，2，…，q，可得最大相位一致性图继续按向量化PCo的方式处理PCmax，可获得向量最后将上述两类向量简单串并，即构成DMHI-PC特征向量以弯腰行为为例，图5.5示例了DMHI-PC特征提取过程。容易发现，人体行为特征集中于DMHI显著性区域。图5.5DMHI-PC特征示意图图5.6给出了本节算法的完整工作流程。
基于式（5.3），可定义任意方向o上的PC测度为
在式（5.5）中引入Log-Gabor滤波器｛Gso∶s=1，2，…，p；o=1，2，…，q｝，即
其中，fs为中心频率，θo为滤波方向，f和θ为Gso的频域坐标，k为径向带宽，σθ为辐角宽度控制参数。
设DMHI上提取的矩形显著性区域为I（x，y）。按式（5.5），即可计算I（x，y）的PCo，o=1，2，…，q。对每个PCo，将其划分为M×N非重叠的网格，之后计算每个网格内的灰度均值，再将各均值串行组合，即可得向量
基于PCo，o=1，2，…，q，可得最大相位一致性图
继续按向量化PCo的方式处理PCmax，可获得向量
(www.xing528.com)
最后将上述两类向量简单串并，即构成DMHI-PC特征向量
以弯腰（bending）行为为例，图5.5示例了DMHI-PC特征提取过程。容易发现，人体行为特征集中于DMHI显著性区域。
图5.5 DMHI-PC特征示意图
图5.6给出了本节算法的完整工作流程。首先对行为序列图像进行行为周期检测，然后基于该行为周期内的图像帧生成DMHI模板图并提取DMHI-PC特征，由于维数可能较高，所以经过PCA降维后，再采用多类SVM分类器进行行为类型判决，获得行为识别结果。从实现效率角度考虑，多类SVM分类器由K个按“One versus Rest”（一对多，OVR）方式工作的2分类SVM分类器实现。
图5.6 基于DMHI的红外人体行为识别完整工作流程
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
