本發(fā)明涉及動作識別領(lǐng)域，更具體地，涉及一種基于動態(tài)時間規(guī)整與多核學(xué)習(xí)的動作識別方法。

背景技術(shù)：

人體的行為識別在人機(jī)交互、智能監(jiān)控、運(yùn)動分析、視頻檢索等方面有著廣泛的應(yīng)用前景。例如視頻監(jiān)控已廣泛應(yīng)用于城市公共場所，如公園、街道、商場等。各類應(yīng)用中產(chǎn)生的大量視頻數(shù)據(jù)，靠傳統(tǒng)人工方式對其進(jìn)行觀察辨識幾乎是不可能的。一方面這需要大量的人力去觀察分析視頻，另一方面人的眼睛長時間盯著視頻會出現(xiàn)疲勞、視線模糊等狀況，易于造成漏報，導(dǎo)致不能及時處理一些緊急情況。比如，現(xiàn)在偵破案件大多數(shù)是靠警察事后回放視頻監(jiān)控錄像，難以實現(xiàn)實時干預(yù)。若采用基于計算機(jī)的視頻分析技術(shù)，則能實時分析可疑動作，及時發(fā)出警報，從而避免案件的發(fā)生。因此，基于視頻的人體行為識別研究具有重要的現(xiàn)實意義。而在實際場景中采集到的動作視頻，因其不受控因素較多，例如背景雜亂、視角變化等，實現(xiàn)準(zhǔn)確可靠的動作識別仍是一個有挑戰(zhàn)性的工作。

目前，根據(jù)視頻數(shù)據(jù)的不同，可以將基于視頻的動作識別研究分為基于RGB視頻和基于RGB-D視頻兩大類?；赗GB-D視頻的動作識別方法，為了獲得深度圖，需要采用昂貴的深度攝像頭來采集視頻樣本。相比之下，基于RGB視頻的動作識別方法則提供了較為廉價的解決方案。因此，研究基于RGB視頻的動作識別問題在目前更具有實際意義。

基于RGB視頻的動作識別方法主要有兩大類：一類是基于深度學(xué)習(xí)的端到端模型的方法，另一類則是基于人工設(shè)計特征的傳統(tǒng)方法?；谏疃葘W(xué)習(xí)的端到端模型為了取得好的識別效果需要用大量的標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，而目前可以用于訓(xùn)練的動作視頻數(shù)據(jù)并不多。因此將深度學(xué)習(xí)的方法用在動作識別領(lǐng)域取得成功，而傳統(tǒng)方法因其訓(xùn)練高效、效果顯著等優(yōu)點(diǎn)仍被廣泛關(guān)注和使用。

詞袋模型(BoW,Bag of Words)是目前在動作識別中比較常用的一種模型。BoW模型的基本思想是將一個動作視頻表示成視覺詞匯的統(tǒng)計直方圖。與其他表示方法相比，BoW模型表示對噪聲、相機(jī)運(yùn)動更加魯棒，而且適合低分辨率的輸入。然而，雖然BoW模型中視覺詞匯的統(tǒng)計分布提供了對動作視頻的抽象和簡潔的表示，但其往往忽略了局部描述子的全局時空分布信息，而這些信息對識別動作又是相當(dāng)重要的，因此該模型并不能完全表達(dá)動作的特性。為了解決這個問題，有研究人員提出了建立動作序列時間上的對齊關(guān)系的方法。但這類方法往往僅基于序列時間上的匹配進(jìn)行動作識別，而這種匹配對噪聲比較敏感。

技術(shù)實現(xiàn)要素：

本發(fā)明為解決以上現(xiàn)有技術(shù)的難題，提供了一種動作識別方法，該方法通過增廣特征多核學(xué)習(xí)實現(xiàn)了動作平均模板表示和BoW表示的結(jié)合，提高了動作識別的準(zhǔn)確性。

為實現(xiàn)以上發(fā)明目的，采用的技術(shù)方案是：

一種基于動態(tài)時間規(guī)整與多核學(xué)習(xí)的動作識別方法，包括以下步驟：

一、建立BoW表示

S11.記動作類別總數(shù)為C，令第j類動作的訓(xùn)練動作樣本集為j＝1,2,..,C，其中表示第j類動作的第i個訓(xùn)練動作樣本，i＝1,2,..,N_j,N_j表示第j類動作的訓(xùn)練動作樣本數(shù)；定義包含C類訓(xùn)練動作樣本的集合其中為訓(xùn)練動作樣本總數(shù)；

S12.對訓(xùn)練動作樣本T_i的每幀圖像提取底層描述子，基于提取的底層描述子建立起訓(xùn)練動作樣本T_i的自相似矩陣SSM，然后基于自相似矩陣對每幀圖像進(jìn)行Z個不同時間尺度的SSM描述子提??；訓(xùn)練動作樣本T_i各幀圖像提取的SSM描述子按照各幀順序形成描述子序列其中Q_i表示訓(xùn)練動作樣本T_i的幀數(shù)目，表示第k幀的Z個SSM描述子；

S13.對各個訓(xùn)練動作樣本進(jìn)行步驟S12的操作；

S14.從所有訓(xùn)練動作樣本的Z個時間尺度下的描述子中隨機(jī)選取e個SSM描述子，然后利用k-means算法將其聚類成p個簇，p<<e，得到包含有p個詞匯的碼本；

S15.計算訓(xùn)練動作樣本T_i中各個SSM描述子與碼本各個詞匯之間的距離，然后將訓(xùn)練動作樣本T_i中的各個SSM描述子分別與距離最接近的詞匯關(guān)聯(lián)起來，即利用碼本對SSM描述子進(jìn)行量化，碼本各個詞匯關(guān)聯(lián)的SSM描述子的數(shù)量形成一個直方圖表示，即為訓(xùn)練動作樣本T_i的BoW表示；

S16.對各個訓(xùn)練動作樣本進(jìn)行步驟S15的操作獲取各個訓(xùn)練動作樣本的BoW表示；

二、建立動作平均模板表示

S21.初始化j的值為1；

S22.為第j類動作構(gòu)建一個初始的空的平均模板初始化i的值為1；

S23.若i＝1，令其中為訓(xùn)練動作樣本的SSM描述子序列，跳到步驟S26；否則，利用動態(tài)時間規(guī)整方法計算平均模板與描述子序列的累加距離：

其中c_k＝(i_k,j_k)表示第k對幀，表示平均模板中的第i_k幀與描述子序列中的第j_k幀對齊，d(c_k)表示第k對幀的SSM描述子的歐式距離，ω(c_k)表示加權(quán)系數(shù)且ω(c_k)＝i_k-i_k-1+j_k-j_k-1；

S24.基于公式(1)，由最后一對對齊幀回溯至最早一對對齊幀，獲得最優(yōu)路徑p＝{c′_l}，其中c′_l＝(i′_l,j′_l)，表示平均模板中的第i′_l幀與描述子序列中的第j′_l幀對齊，對應(yīng)的描述子映射集為

S25.利用平均模板描述子序列計算新的平均模板

其中，表示新的平均模板的第l幀的描述子，表示平均模板第i′_l幀的描述子，表示描述子序列第j′_l幀的描述子，L表示最優(yōu)路徑上對齊幀的數(shù)目，β＝1/i；

S26.令i＝i+1然后執(zhí)行步驟S23～S25，直至i＞N_j，得到第j類動作的最終的平均模板R_j；

S27.令j＝j(luò)+1然后執(zhí)行步驟S22～S26，直至j＞C；

S28.通過步驟S21～S27的計算，獲得C個平均模板組成的平均模板集合R＝{R₁,R₂...,R_C}，其中R_j表示第j類動作的最終的平均模板；

S29.對平均模板和訓(xùn)練動作樣本進(jìn)行量化：

S291.從所有訓(xùn)練動作樣本的描述子中隨機(jī)選取e′個SSM描述子，然后利用k-means算法將其聚類成p′個簇，p′＝e′，得到包含有p′個詞匯的碼本；

S292.分別計算訓(xùn)練動作樣本T_i的描述子序列中每幀的SSM描述子與步驟S291中獲得的碼本的各個詞匯之間的距離，將每幀的SSM描述子分別與距離最接近的詞匯關(guān)聯(lián)起來，得到訓(xùn)練動作樣本T_i量化的描述子序列；

S293.對各個訓(xùn)練動作樣本進(jìn)行步驟S292的操作；通過步驟S292中同樣的方式對各個平均模板進(jìn)行量化，可得到各個平均模板量化的描述子序列；

S210.對訓(xùn)練動作樣本T_i的量化描述子序列利用動態(tài)時間規(guī)整方法計算其與各個平均模板的量化描述子序列的平均距離，訓(xùn)練動作樣本T_i的量化描述子序列到各個平均模板的量化描述子序列的平均距離構(gòu)成一個C維向量，該C維向量為訓(xùn)練動作樣本T_i的平均模板表示；對動作樣本集合T中各訓(xùn)練動作樣本進(jìn)行同樣操作獲取各訓(xùn)練動作樣本的平均模板表示；

S211.為Z個不同時間尺度分別建立平均模板表示，具體地，針對每一個時間尺度，在步驟S21～S210中利用該時間尺度的描述子進(jìn)行該時間尺度下的動作平均模板的構(gòu)建、碼本的構(gòu)建以及平均模板表示的構(gòu)建；將某個訓(xùn)練動作樣本在Z個時間尺度下分別獲得的平均模板表示拼接成一個向量，作為該訓(xùn)練動作樣本最終的平均模板表示；

三、結(jié)合BoW表示和平均模板表示的動作表示

S31.利用增廣特征多核學(xué)習(xí)(AFMKL)結(jié)合BoW表示和平均模板表示，增廣特征多核學(xué)習(xí)的決策函數(shù)如下：

其中x表示BoW表示，x′表示平均模板表示，ω和β表示學(xué)習(xí)權(quán)重，表示對BoW表示的非線性映射函數(shù)，φ表示對平均模板表示的非線性映射函數(shù)，b為偏置項，d₁和d₂為對BoW表示、平均模板表示進(jìn)行加權(quán)的系數(shù)；

S32.通過最小化結(jié)構(gòu)風(fēng)險函數(shù)，建立以下的最優(yōu)化問題：

d_m≥0,m＝1,2.

其中

s.t.表示服從后面的約束，d＝[d₁,d₂]^T表示加權(quán)系數(shù)向量，表示二次正則化項，x_i表示第i個訓(xùn)練動作樣本的BoW表示，x′_i表示第i個訓(xùn)練動作樣本的平均模板表示，y_i∈{+1,-1}表示第i個訓(xùn)練動作樣本的正負(fù)標(biāo)簽，ξ＝(ξ₁,ξ₂,...,ξ_N)^T表示松弛變量向量，ξ_i表示第i個訓(xùn)練動作樣本的松弛變量，λ表示懲罰參數(shù)，N為訓(xùn)練動作樣本的數(shù)目；

S33.為式(3)中每個不等式約束引入拉格朗日乘子α_i，并記α＝(α₁,α₂,...,α_N)^T為對偶變量，將式(3)中的優(yōu)化問題轉(zhuǎn)換為其對偶形式：

0≤α_i≤λ,i＝1,...,N.

其中，α_i和α_j分別表示對第i個訓(xùn)練動作樣本、第j個訓(xùn)練動作樣本構(gòu)成的不等式約束所引入的拉格朗日乘子；為核函數(shù)；

S34.對公式(2)在訓(xùn)練動作樣本集上進(jìn)行優(yōu)化求解：

S341.固定加權(quán)系數(shù)d，(4)中的對偶問題轉(zhuǎn)換成關(guān)于對偶變量α的優(yōu)化問題，此時利用標(biāo)準(zhǔn)的SVM的求解方法對對偶變量α進(jìn)行求解；

S342.固定對偶變量α，利用梯度下降的方法對加權(quán)向量d進(jìn)行求解；

S343.迭代地進(jìn)行S341和S342，直至式(2)收斂或達(dá)到最大迭代數(shù)。

S35.利用步驟S34確定加權(quán)系數(shù)d和對偶變量α后，得到最終的決策函數(shù)：

四、對測試動作樣本進(jìn)行動作識別

S41.利用第一部分的內(nèi)容求取測試動作樣本的BoW表示；

S42.利用第二部分的內(nèi)容求取測試動作樣本的平均模板表示；

S43.將測試動作樣本的BoW表示、平均模板表示輸入至最終的決策函數(shù)中，決策函數(shù)輸出分類結(jié)果。

優(yōu)選地，所述求取訓(xùn)練動作樣本/測試動作樣本與平均模板之間的平均距離的具體過程如下：

其中D_min表示用動態(tài)時間規(guī)整方法求取的訓(xùn)練動作樣本/測試動作樣本與平均模板之間的最短距離，ω(c′_l)表示最優(yōu)路徑上幀對c′_l的加權(quán)系數(shù)。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

本發(fā)明提供的方法主要的改進(jìn)點(diǎn)在于：1)基于動態(tài)時間規(guī)整方法創(chuàng)建了動作平均模板，這一模板包含了BoW模型表示中忽略掉的動作序列的時間信息；2)通過增廣特征多核學(xué)習(xí)的方法對動作平均模板表示和BoW表示進(jìn)行結(jié)合，并通過引入學(xué)習(xí)權(quán)重調(diào)整兩者的貢獻(xiàn)度；通過以上兩點(diǎn)改進(jìn)，提高動作識別的準(zhǔn)確率。

附圖說明

圖1為動作識別方法的流程圖。

圖2為構(gòu)建決策函數(shù)的示意圖。

圖3為決策函數(shù)對測試樣本進(jìn)行識別的示意圖。

圖4為提取SSM描述子的示意圖。

圖5為構(gòu)建動作平均模板的示意圖。

具體實施方式

附圖僅用于示例性說明，不能理解為對本專利的限制；

以下結(jié)合附圖和實施例對本發(fā)明做進(jìn)一步的闡述。

實施例1

如圖1～4所示，本發(fā)明提供的基于動態(tài)時間規(guī)整與多核學(xué)習(xí)的動作識別方法，包括以下步驟：

一、建立BoW表示

S11.記動作類別總數(shù)為C，令第j類動作的訓(xùn)練動作樣本集為j＝1,2,..,C，其中表示第j類動作的第i個訓(xùn)練動作樣本，i＝1,2,..,N_j,N_j表示第j類動作的訓(xùn)練動作樣本數(shù)；定義包含C類訓(xùn)練動作樣本的集合其中為訓(xùn)練動作樣本總數(shù)；

S12.考慮到不同動作樣本中，動作執(zhí)行的時間長度不同和執(zhí)行速度的不規(guī)則變化，本發(fā)明中采用了多個時間尺度的SSM描述子；具體地，對訓(xùn)練動作樣本T_i的每幀圖像提取底層描述子，基于提取的底層描述子建立起訓(xùn)練動作樣本T_i的自相似矩陣SSM，然后基于自相似矩陣對每幀圖像進(jìn)行Z個不同時間尺度的SSM描述子提取；訓(xùn)練動作樣本T_i各幀圖像提取的SSM描述子按照各幀順序形成描述子序列其中Q_i表示訓(xùn)練動作樣本T_i的幀數(shù)目，表示第k幀的Z個SSM描述子；

S13.對各個訓(xùn)練動作樣本進(jìn)行步驟S12的操作；

S14.從所有訓(xùn)練動作樣本的Z個時間尺度下的描述子中隨機(jī)選取e個SSM描述子，然后利用k-means算法將其聚類成p個簇，p<<e，得到包含有p個詞匯的碼本；

S15.計算訓(xùn)練動作樣本T_i中各個SSM描述子與碼本各個詞匯之間的距離，然后將訓(xùn)練動作樣本T_i中的各個SSM描述子分別與距離最接近的詞匯關(guān)聯(lián)起來，碼本各個詞匯關(guān)聯(lián)的SSM描述子的數(shù)量形成一個直方圖表示，即為訓(xùn)練動作樣本T_i的BoW表示；

S16.對各個訓(xùn)練動作樣本進(jìn)行步驟S15的操作獲取各個訓(xùn)練動作樣本的BoW表示；

二、建立動作平均模板表示

S21.初始化j的值為1；

S22.為第j類動作構(gòu)建一個初始的空的平均模板初始化i的值為1；

S23.若i＝1，令其中為訓(xùn)練動作樣本的SSM描述子序列，跳到步驟S26；否則，利用動態(tài)時間規(guī)整方法計算平均模板與描述子序列的累加距離：

其中c_k＝(i_k,j_k)表示第k對幀，表示平均模板中的第i_k幀與描述子序列中的第j_k幀對齊，d(c_k)表示第k對幀的SSM描述子的歐式距離，ω(c_k)表示加權(quán)系數(shù)且ω(c_k)＝i_k-i_k-1+j_k-j_k-1；

S24.基于公式(1)，由最后一對對齊幀回溯至最早一對對齊幀，獲得最優(yōu)路徑p＝{c′_l}，其中c′_l＝(i′_l,j′_l)，表示平均模板中的第i′_l幀與描述子序列中的第j_l′幀對齊，對應(yīng)的描述子映射集為

S25.利用平均模板描述子序列計算新的平均模板

其中，表示新的平均模板的第l幀的描述子，表示平均模板第i′_l幀的描述子，表示描述子序列第j′_l幀的描述子，L表示最優(yōu)路徑上對齊幀的數(shù)目，β＝1/i；

S26.令i＝i+1然后執(zhí)行步驟S23～S25，直至i＞N_j，得到第j類動作的最終的平均模板R_j；

S27.令j＝j(luò)+1然后執(zhí)行步驟S22～S26，直至j＞C；

S28.通過步驟S21～S27的計算，獲得C個平均模板組成的平均模板集合R＝{R₁,R₂...,R_C}，其中R_j表示第j類動作的最終的平均模板；

為了提高魯棒性，獲得的最終的平均模板并不直接用于構(gòu)建平均模板表示，而是先將其與對應(yīng)類別的訓(xùn)練動作樣本的描述子進(jìn)行關(guān)聯(lián)結(jié)合。具體地，對于第j類動作，利用動態(tài)時間規(guī)整方法分別獲取該類動作的訓(xùn)練動作樣本集T^j中每個訓(xùn)練動作樣本的描述子序列與該類動作的平均模板R_j的幀對齊關(guān)系，將與平均模板R_j同一幀對齊的訓(xùn)練動作樣本的描述子集合在一起，并與平均模板R_j的對應(yīng)幀相關(guān)聯(lián)。則在后續(xù)步驟中構(gòu)建某個動作樣本的平均模板表示時，動作樣本第f幀的描述子與平均模板R_j第g幀的描述子距離定義為：動作樣本第f幀的描述子與平均模板R_j第g幀所關(guān)聯(lián)的訓(xùn)練動作樣本的描述子集合里所有描述子的距離中的最小值。

S29.為減少后續(xù)步驟中構(gòu)建動作樣本平均模板表示時的距離計算的計算量，對平均模板和動作樣本進(jìn)行量化：

S291.從所有訓(xùn)練動作樣本的描述子中隨機(jī)選取e′個SSM描述子，然后利用k-means算法將其聚類成p′個簇，p′＝e′，得到包含有p′個詞匯的碼本；

S292.分別計算訓(xùn)練動作樣本T_i的描述子序列中每幀的SSM描述子與步驟S291中獲得的碼本的各個詞匯之間的距離，將每幀的SSM描述子分別與距離最接近的詞匯關(guān)聯(lián)起來，得到訓(xùn)練動作樣本T_i量化的描述子序列；

S293.對各個訓(xùn)練動作樣本進(jìn)行步驟S292的操作；通過步驟S292中同樣的方式對各個平均模板進(jìn)行量化，可得到各個平均模板量化的描述子序列；

S210.對訓(xùn)練動作樣本T_i的量化描述子序列，利用動態(tài)時間規(guī)整方法計算其與各個平均模板的量化描述子序列的平均距離，訓(xùn)練動作樣本T_i的量化描述子序列到各個平均模板的量化描述子序列的平均距離構(gòu)成一個C維向量，該C維向量為訓(xùn)練動作樣本T_i的平均模板表示；對動作樣本集合T中各訓(xùn)練動作樣本進(jìn)行同樣操作獲取各訓(xùn)練動作樣本的平均模板表示；

S211.為Z個不同時間尺度分別建立平均模板表示，具體地，針對每一個時間尺度，在步驟S21～S210中利用該時間尺度的描述子進(jìn)行該時間尺度下的動作平均模板的構(gòu)建、碼本的構(gòu)建以及平均模板表示的構(gòu)建；將某個訓(xùn)練動作樣本在Z個時間尺度下分別獲得的平均模板表示拼接成一個向量，作為該訓(xùn)練動作樣本最終的平均模板表示；

三、結(jié)合BoW表示和平均模板表示的動作表示

S31.利用增廣特征多核學(xué)習(xí)(AFMKL)結(jié)合BoW表示和平均模板表示，增廣特征多核學(xué)習(xí)的決策函數(shù)如下：

其中x表示BoW表示，x′表示平均模板表示，ω和β表示學(xué)習(xí)權(quán)重，表示對BoW表示的非線性映射函數(shù)，φ表示對平均模板表示的非線性映射函數(shù)，b為偏置項，d₁和d₂為對BoW表示、平均模板表示進(jìn)行加權(quán)的系數(shù)；

S32.通過最小化結(jié)構(gòu)風(fēng)險函數(shù)，建立以下的最優(yōu)化問題：

d_m≥0,m＝1,2.

其中

s.t.表示服從后面的約束，d＝[d₁,d₂]^T表示加權(quán)系數(shù)向量，表示二次正則化項，x_i表示第i個訓(xùn)練動作樣本的BoW表示，x′_i表示第i個訓(xùn)練動作樣本的平均模板表示，y_i∈{+1,-1}表示第i個訓(xùn)練動作樣本的正負(fù)標(biāo)簽，ξ＝(ξ₁,ξ₂,...,ξ_N)^T表示松弛變量向量，ξ_i表示第i個訓(xùn)練動作樣本的松弛變量，λ表示懲罰參數(shù)，N為訓(xùn)練動作樣本的數(shù)目；

S33.為式(3)中每個不等式約束引入拉格朗日乘子α_i，并記α＝(α₁,α₂,...,α_N)^T為對偶變量，將式(3)中的優(yōu)化問題轉(zhuǎn)換為其對偶形式：

0≤α_i≤λ,i＝1,...,N.

其中，α_i和α_j分別表示對第i個訓(xùn)練動作樣本、第j個訓(xùn)練動作樣本構(gòu)成的不等式約束所引入的拉格朗日乘子；為核函數(shù)；

S34.對公式(2)在訓(xùn)練動作樣本集上進(jìn)行優(yōu)化求解：

S341.固定加權(quán)系數(shù)d，(4)中的對偶問題轉(zhuǎn)換成關(guān)于對偶變量α的優(yōu)化問題，此時利用標(biāo)準(zhǔn)的SVM的求解方法對對偶變量α進(jìn)行求解；

S342.固定對偶變量α，利用梯度下降的方法對加權(quán)向量d進(jìn)行求解；

S343.迭代地進(jìn)行S341和S342，直至式(2)收斂或達(dá)到最大迭代數(shù)。

S35.利用步驟S34確定加權(quán)系數(shù)d和對偶變量α后，得到最終的決策函數(shù)：

四、對測試動作樣本進(jìn)行動作識別

S41.利用第一部分的內(nèi)容求取測試動作樣本的BoW表示；

S42.利用第二部分的內(nèi)容求取測試動作樣本的平均模板表示；

S43.將測試動作樣本的BoW表示、平均模板表示輸入至最終的決策函數(shù)中，決策函數(shù)輸出分類結(jié)果。

本發(fā)明在IXMAX數(shù)據(jù)庫上進(jìn)行實驗。IXMAS數(shù)據(jù)集是一個多視角動作數(shù)據(jù)集。它包含11個日常動作類別，每類動作由12個人執(zhí)行3次并同時從5個不同的視角錄制視頻，共有1980個動作樣本。

首先，進(jìn)行實驗驗證動作平均模板表示的性能。動作平均模板表示(記為AAT)和BoW表示(記為BoW)的對比實驗結(jié)果如表1所示，分類器采用了SVM。表中行為訓(xùn)練視角，列為測試視角。如結(jié)果所示，AAT在25對視角對上的平均動作識別準(zhǔn)確率為74.6％，明顯優(yōu)于BoW的平均準(zhǔn)確率73.3％，說明了基于動態(tài)時間規(guī)整的動作平均模板表示的有效性。

表1動作平均模板表示與BoW表示的對比實驗結(jié)果

進(jìn)一步進(jìn)行實驗驗證結(jié)合動作平均模板表示與BoW表示的性能。為了說明本發(fā)明提出的增廣特征多核學(xué)習(xí)(AFMKL)的有效性，實驗中探討了一種已有的結(jié)合方式：增廣特征SVM(AFSVM)，并將實驗結(jié)果與AFMKL進(jìn)行對比。直觀上看，AFSVM可以利用動作平均模板和動作序列之間的相似性和區(qū)分性。其判決函數(shù)為

與公式(2)比較可得，AFSVM與AFMKL的判決函數(shù)的區(qū)別是：AFSVM沒有學(xué)習(xí)權(quán)重去對兩種表示進(jìn)行加權(quán)。實驗結(jié)果如表2所示。AFMKL的平均準(zhǔn)確率是77.6％，比AFSVM的平均準(zhǔn)確率76.2％高了1.4％。而無論是利用AFMKL還是AFSVM進(jìn)行表示結(jié)合，其平均準(zhǔn)確率都比僅用動作平均模板表示(74.6％)或者僅用BoW表示(73.3％)要高，說明了兩者存在互補(bǔ)的作用，結(jié)合兩種表示比單獨(dú)使用某種表示能取得更好的效果，驗證了本發(fā)明所提出的方法的有效性。

表2 AFMKL和AFSVM的對比實驗結(jié)果

顯然，本發(fā)明的上述實施例僅僅是為清楚地說明本發(fā)明所作的舉例，而并非是對本發(fā)明的實施方式的限定。對于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還可以做出其它不同形式的變化或變動。這里無需也無法對所有的實施方式予以窮舉。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明權(quán)利要求的保護(hù)范圍之內(nèi)。