基于人工神經(jīng)網(wǎng)絡(luò)的人體識(shí)別算法研究

同濟(jì)大學(xué)軟件學(xué)院 王賽迪

基于人工神經(jīng)網(wǎng)絡(luò)的人體識(shí)別算法研究

同濟(jì)大學(xué)軟件學(xué)院 王賽迪

針對(duì)當(dāng)前人體活動(dòng)狀態(tài)識(shí)別方法中存在識(shí)別算法復(fù)雜、可實(shí)施性差、實(shí)時(shí)性差等問(wèn)題，提出了一種改進(jìn)的基于人工神經(jīng)網(wǎng)絡(luò)的人體識(shí)別算法.通過(guò)加速度傳感器采集人體腰部的加速度數(shù)據(jù)，運(yùn)用滑動(dòng)時(shí)間窗方法進(jìn)行時(shí)域特征的提取，采用基于人工神經(jīng)網(wǎng)絡(luò)的分類方法對(duì)特征進(jìn)行處理，識(shí)別出人體的各種行為，該方法的軟硬件復(fù)雜度低，易于實(shí)施，便于攜帶，經(jīng)過(guò)測(cè)試，該算法的平均響應(yīng)時(shí)間小于1s，平均準(zhǔn)確率達(dá)到99.9%，證明了該算法的實(shí)時(shí)性與有效性。

人工神經(jīng)網(wǎng)絡(luò)；加速度傳感器；人體識(shí)別；滑動(dòng)時(shí)間窗

1.引言

近年來(lái)人體行為識(shí)別在信號(hào)處理和計(jì)算機(jī)視覺(jué)已成為最活躍的研究領(lǐng)域之一。監(jiān)控，游戲，電腦人機(jī)界面，都是人體識(shí)別的重要的應(yīng)用領(lǐng)域。目前有兩種人體行為識(shí)別的方法：基于視覺(jué)的人體行為識(shí)別和基于可穿戴式運(yùn)動(dòng)傳感器的人體行為識(shí)別。例如，Sidenbladh等在視頻利用支持向量機(jī)（SVM）的基于運(yùn)動(dòng)的分割圖來(lái)追蹤人體行為。但是，該方法需要處理大量的數(shù)據(jù)量。針對(duì)解決這一問(wèn)題，Moeslundad等人進(jìn)行了大量的研究。另一種方法是基于可佩戴運(yùn)動(dòng)傳感器的行為識(shí)別。對(duì)于基于可穿戴傳感器的行為識(shí)別，人體需要佩戴一個(gè)或多個(gè)傳感器。

基于視頻的人體行為識(shí)別，算法復(fù)雜度往往比較高，所以本文采用可穿戴的加速度人體行為識(shí)別。基于可穿戴傳感器的人體行為識(shí)別方法在部署和數(shù)據(jù)處理方面更簡(jiǎn)單，能夠保證實(shí)時(shí)性需求。本文采用單一的傳感器，并把傳感器佩戴在人體的腰間，不妨礙人體的日?；顒?dòng)。本文使用改進(jìn)的神經(jīng)網(wǎng)絡(luò)的方法對(duì)行為進(jìn)行分類，這種算法將識(shí)別分為兩個(gè)過(guò)程，分為粗粒度和細(xì)粒度，很好的識(shí)別了人體的行為。

2.人體行為識(shí)別系統(tǒng)簡(jiǎn)介

數(shù)據(jù)顯示，中國(guó)老齡化越來(lái)越嚴(yán)重，如何有效的看護(hù)老人成了一個(gè)重要問(wèn)題。因此，觀察老人的行為成為一個(gè)很重要的行為研究方向，通過(guò)檢測(cè)老人的行為數(shù)據(jù)，可以獲得老人的行為狀態(tài)，從而有效監(jiān)護(hù)老人，照顧好老人。本文設(shè)計(jì)實(shí)現(xiàn)了人體行為識(shí)別系統(tǒng)，該系統(tǒng)能夠運(yùn)行于移動(dòng)終端之上，不僅可以有效的監(jiān)控老人行為狀態(tài)，而且可以提高行為的識(shí)別率。

人體體行為識(shí)別系統(tǒng)的應(yīng)用原理是用戶打開(kāi)識(shí)別系統(tǒng)，將移動(dòng)終端攜帶在身上，系統(tǒng)可以自動(dòng)采集加速度數(shù)據(jù)，提取數(shù)據(jù)特征。這樣，用戶的行為就會(huì)以加速度特征的形式出現(xiàn)，包括靜止、走、跑步、上下樓梯等。這樣就可以建立一個(gè)行為識(shí)別模型。當(dāng)設(shè)備佩戴到不同的人的身體上的時(shí)候，就會(huì)有新數(shù)據(jù)的產(chǎn)生，這樣就可以對(duì)行為進(jìn)行識(shí)別。

由此可知，系統(tǒng)的重點(diǎn)是如何根據(jù)采集到的加速度數(shù)據(jù)去獲取用戶的行為類型，以及如何對(duì)用戶行為進(jìn)行識(shí)別，而且要達(dá)到一個(gè)較高的識(shí)別精確度，為此本文設(shè)計(jì)提出了一個(gè)基于改進(jìn)的人工神經(jīng)網(wǎng)絡(luò)的人體行為識(shí)別方法。

3.基于改進(jìn)的人工神經(jīng)網(wǎng)絡(luò)的人體行為識(shí)別算法

3.1人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks簡(jiǎn)稱ANN）［1］［2］ 簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)，它是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型，是由大量類似于神經(jīng)元的簡(jiǎn)單處理單元廣泛相互連接而成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，是一個(gè)大規(guī)模的非線性自適應(yīng)系統(tǒng)［3］。

BP（Back Propagation）網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input layer）、隱層（hide layer）和輸出層（output layer）。

輸入層各神經(jīng)元負(fù)責(zé)接收來(lái)自外界的輸入信息，并傳遞給隱藏層各神經(jīng)元。中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過(guò)程，由輸出層向外界輸出信息處理結(jié)果。

3.2算法流程

將加速度傳感器佩戴在人體腰間，并且傳感器的Y軸垂直于水平方向。

圖1 人體行為識(shí)別算法流程

圖1是人體行為識(shí)別的算法流程。在粗粒度模塊中，提取傳感器采集的數(shù)據(jù)的特征值（標(biāo)準(zhǔn)差）。標(biāo)準(zhǔn)差作為神經(jīng)網(wǎng)絡(luò)的輸入。輸出是粗分類結(jié)果。在細(xì)粒度模塊中，可以通過(guò)比較特征值來(lái)對(duì)行為進(jìn)一步識(shí)別。

4.實(shí)驗(yàn)與結(jié)果分析

4.1實(shí)驗(yàn)方案

（1）在人體腰部佩戴加速度傳感器（傳感器Y軸與地面垂直方向向上），采集該人的行為（坐著，站著，躺著，站起，坐下，躺下，行走，摔倒，跑步）數(shù)據(jù)，每種行為類別采樣10次，共計(jì)90組數(shù)據(jù)，以備神經(jīng)網(wǎng)絡(luò)訓(xùn)練之用。（2）在人體腰間正確佩戴加速度傳感器，啟動(dòng)PC端系統(tǒng)和Android手機(jī)端軟件，人體作任意的行為動(dòng)作，并記錄系統(tǒng)識(shí)別的結(jié)果。

4.2實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)結(jié)果如下圖2，其中“未知”是指未能識(shí)別的行為。從表中可以看出由于在該算法的識(shí)別率很高，對(duì)于一些行為（躺著，摔倒，跑步）該算法的識(shí)別率到達(dá)了100%

圖2 人體識(shí)別率

5.結(jié)束語(yǔ)

本文針對(duì)人體動(dòng)作識(shí)別的需求，設(shè)計(jì)了基于人工神經(jīng)網(wǎng)絡(luò)的行為識(shí)別方法，減少了訓(xùn)練數(shù)據(jù)的時(shí)間，同時(shí)提高了識(shí)別精度。解決了行為識(shí)別精確度不高的問(wèn)題，為人體行為識(shí)別的研究做出了一定的貢獻(xiàn)。

在研究過(guò)程中，對(duì)人體的某些動(dòng)作利用神經(jīng)網(wǎng)絡(luò)的判斷有些困難，比如站立和坐，下一步可以考慮利用人工網(wǎng)絡(luò)進(jìn)行進(jìn)一步細(xì)分識(shí)別分類，以進(jìn)一步提高算法的識(shí)別精度。

［1］王偉.人工神經(jīng)網(wǎng)絡(luò)原理—入門與應(yīng)用［M］.北京航空航天大學(xué)出版社，1995.

［2］張乃堯，閻平凡.神經(jīng)網(wǎng)絡(luò)與模糊控制［M］.北京：清華大學(xué)出版社，1998.

［3］Martin T Hagan.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)［M］.北京：機(jī)械工業(yè)出版社，2002：12-20.