基于GA-HMM的人體行為識別

梁鵬華

（蘭州交通大學 電子與信息工程學院，蘭州 730070）

0 引言

人體行為識別是指使機器像人腦一樣分析識別人體行為。由于人體行為識別在智能視頻監控、虛擬現實、視頻編碼、運動分析等方面的廣泛應用，近年來人體行為識別已成為計算機視覺等領域的研究熱點。

在人體行為識別領域，HMM是應用最為普遍的理論。通常情況下，人們使用Baum-Welch算法來訓練HMM參數，但BW算法對初始參數的選擇非常敏感。由于初始參數是隨機選取的，容易使HMM算法陷入局部最優，從而影響了整個人體行為識別系統的識別率。遺傳算法是一種全局搜索算法，可以獲得全局最優解。為提高HMM模型的識別率，本文提出了一種基于遺傳算法和HMM的人體行為識別算法。在HMM模型的訓練階段使用GA對HMM參數進行優化解決了模型陷入局部最優的問題，提高了隱馬爾科夫模型的識別率。

1 基于HMM的行為識別

使用HMM識別圖像序列中的人體動作的流程如圖所示。結合本文的實驗，首先對圖像序列中的各種行為進行建模，對應人體行為庫中的每一種動作，建立相應的HMM描述，生成HMM模型庫。對未知動作序列進行識別前先進行預處理、提取運動目標等工作，然后提取待識別目標的特征參數（本文選取的是目標圖像的七階不變矩），得到的特征序列輸入識別算法模塊，用模型庫中的各個動作的HMM分別計算在各個模型中出現的概率 P ( O |λi)，在分類識別階段得到該特征序列對應的最優模型，即，該模型所對應的動作種類就是待識別動作序列的識別結果。

圖1 基于HMM的人體行為識別流程

2 用遺傳算法訓練HMM

遺傳算法是一種基于自然進化的搜索方法，遵從優勝劣汰的自然法則。遺傳算法根據問題的目標函數構造一個適應值函數（Fitness Function），對一個由多個解（每個解對應一條染色體）構成的種群進行評估、遺傳運算、選擇，經多代繁殖，獲得適應值最好的個體最為問題的最優解。基本算法流程如圖1.1所示。

圖2 遺傳算法流程

（1）編碼機制

在本文的中，主要對參數A和B進行訓練，編碼時采用實數編碼。由于矩陣A和矩陣B的每一行元素之和為1，為確保每次產生的新一代種群的個體參數仍滿足次條件，對A和B按行進行歸一化，得到A1和B1。染色體的構成如圖3所示，因為本文的實驗采用的是5狀態左右無跨越型HMM，矩陣A會出現大面積的0，所以實際參與編碼的A1長度為9，。碼字長度設定為30，參與運算的B1長度為150，故一條染色體的長度為159。

圖3 染色體編碼結構

（2）適應值函數設定

在本文中，個體的適應度用各個訓練樣本的對數似然概率來表示

（3）選擇運算

選擇運算時為了從種群中選到父代染色體。賭輪選擇法是最常用且易于實現的方法，個體被選中的概率和他們的適應值成正比。選擇過程體現了生物進化過程中“適者生存，優勝劣汰”的思想，并保證優良基因遺傳給下一代個體。

（4）遺傳運算

遺傳運算包括交叉和變異兩部分，本文實驗中的染色體A1部分長度較短，B1部分長，所以對A1部分實行單點交叉和變異，對B1部分實行雙點交叉和變異。在進行完交叉和變異后，對染色體A1和B1分別進行歸一化處理以滿足矩陣元素行和為1的條件。

3 實驗及分析

實驗階段使用的數據庫是目前行為識別領域最常使用的以色列Weizmann人體行為數據庫，該數據庫提供了由9個人執行的走、跑、跳、揮手等10種行為。仿真實驗時，在數據庫中隨機選擇6個人的行為作為訓練集，剩下的3個人的行為作為測試集，重復25次。仿真實驗在matlab軟件下進行，首先使用傳統的BW法訓練HMM并得到最終的識別率，然后使用GA訓練HMM，得到最終的識別率。其中遺傳算法的參數設定為種群大小NP=30，雜交概率Pc=0.5，變異概率Pm=0.005，最大代數NG=200。HMM為五狀態左右無跨越型。

從表1可以看出經過遺傳算法優化的HMM比傳統方法優化得到的HMM有更高的識別率。“skip”的識別率較低，是因為該動作的側影圖和"run"相似。

表1 識別結果比較

4 總結

遺傳算法具有優良的全局搜索能力，利用GA訓練HMM能很大程度是克服BW算法容易潛入局部最優的缺陷，將GA-HMM用于人體行為識別，識別率較傳統方法有所提高。

[1] Yamato J，Ohya J，Ishii K，Recognizing human action in time sequential images using hidden Markov model[C].CVPR.1992.379－385.

[2] 孫興華，郭麗.數字圖像處理[M].北京：機械工業出版社，2012：245-247.

[3] 裴繼紅，李翠蕓.龔忻.基于GA-AHMM的聯機手繪圖形識別技術[J].系統工程與電子技術，2004，6（3）：378-381.

[4] 徐麗，康瑞華，基于遺傳算法的HMM參數估計[J].湖北工業大學學報 2006，21（4）：68-71.

[5] 錢堃，馬旭東，戴先中.基于抽象隱馬爾可夫模型的運動行為識別方法[J].模式識別與人工智能，2009，（3）：433-439.

[6] 李寧，須德，傅曉英，袁玲.結合人體運動特征的行為識別 [J]. 北京交通大學學報，2009，33（2）：6-16.

[7] 薛定宇，賈旭，崔建江，劉晶.基于遺傳算法自適應建立HMM的靜脈識別算法[J].東北大學學報（自然科學版）.2011，32（11）：1529-1533.

[8] 汪定偉，王俊偉，王洪峰，張瑞友，郭哲.智能優化算法[M].北京：高等教育出版社，2006：21-32.