人体行为识别：空-时域特征决策级融合算法

"基于空-时域特征决策级融合的人体行为识别算法" 本文提出了一种创新的人体行为识别算法，该算法结合了空间域和时间域的特征，旨在提高行为识别的准确性和效率，特别适用于室内智能监控系统。在空间域中，通过提取人体的形状上下文特征，算法能有效地进行轮廓匹配，从而识别同一时刻模板图像与测试图像的相似性。形状上下文特征是一种描述物体形状的重要方法，它考虑了物体边缘点与其邻接点之间的相对位置关系，有助于识别复杂的形状变化。 时间域上的处理则关注于运动特征的表征。通过跟踪和分析连续帧中人体空间特征的变化，可以捕捉到行为的动态特性。这种运动特征序列表示了行为的时间演变，与空间特征结合，能够更全面地理解行为模式。 在识别阶段，动态时间规划（Dynamic Time Warping, DTW）算法被用于计算每种类别的后验概率。DTW是一种衡量两个序列相似性的方法，尤其适用于不完全同步或有时间扭曲的数据。算法分别计算了两种特征（空间和时间）对每个行为类别的概率，然后在决策层采用加权平均法融合这些概率，以获得最终的分类结果。这种决策级融合方法能够充分利用两种特征的优点，提高识别的准确性。 为了优化DTW算法，文章还引入了一种基于椭圆边界约束的改进搜索策略。这种策略能够有效缩小寻找最优路径的搜索空间，同时帮助消除视频中的噪声干扰。通过对椭圆边界约束的计算复杂度和识别精度的分析，实验表明椭圆约束相比于平行四边形和菱形约束具有更好的性能。作者还给出了最佳边界尺寸范围，以达到最优识别效果。 该算法在三个标准的行为识别数据集——Weizmann、KTH和UCF101上进行了测试，平均识别率分别超过了93.2%、92.7%和81.2%，显著提高了识别效率和稳定性。这表明该方法在实际应用中具有广阔的应用前景，特别是在智能监控和行为分析领域。关键词包括图像处理、行为识别、形状上下文、动态时间规划以及决策级融合，这些都是本文的核心概念。