特征選擇和分類器參數優化聯合進行的人體行為識別

郭春璐，陶琳

?

特征選擇和分類器參數優化聯合進行的人體行為識別

郭春璐，陶琳

特征選擇和分類器參數優化是提高人體行為識別率的關鍵技術，針對當前模型沒有考慮兩者之間的聯系不足，為了提高人體行為的識別率，提出了一種特征選擇和分類器參數優化聯合進行的人體行為識別模型。首先，分析當前人體行為識別研究的現狀，并建立人體行為識別特征和分類器參數優化的數學模型；然后，利用改進粒子群算法對數學模型進行求解，建立最優的人體行為識別模型；最后，通過仿真實驗測試其性能。結果表明，其模型克服了人體行為識別模型的缺陷，提高了人體行為識別率，識別速度也要快于對比模型。

人體行為；特征選擇；分類器參數優化；粒子群算法

0 引言

人體行為識別作為人體運動分析的高級階段，在人機交互、安全監控和醫療診斷等領域具有廣泛的應用前景，然而人體行為復雜且多樣，因此，如何準確識別人體行為成為計算機視覺研究中的熱點問題[1,2]。

針對人體行為識別問題，國內外學者對其做了大量、深入的研究，取得了不錯的研究成果[3]。人體行為識別首先從圖像序列中檢測人體目標，提取行為特征；然后對人體行進行分類和識別[4]。因此人體行為識別中的關鍵技術為：特征提取與分類器的設計，其中特征提取優劣直接影響后續的人體行為識別[5,6]。為了更加準確描述人體行為，人們都盡可能多的提取人體行為特征，使得特征之間出現冗余信息，不包含一些無用或者甚至干擾人體行為識別的特征，為此需要對特征進行選擇，選擇對人體行為識別有重要貢獻的特征，降低特征維數[7]。當前特征選擇方法有主成分分析、核主成分分析、遺傳算法以及其它群智能算法[8-10]，其中主成分分析、核主成分分析可以有效減少特征維數，但提取特征的可解釋性差，遺傳算法以及其它群智能算法通過強大搜索能力從原始特征中找到有利于提高人體行為識別的特征，消除特征之間的冗余，應用更加廣泛。當前人體行為識別的分類器主要基于K最近鄰算法、神經網絡以及支持向量機等[11-14]，K最近鄰法根據樣本之間的距離實現人體行為識別，而人體行為特征與行為類別之間不是一種固定的線性映射關系，因此識別效果比較差；神經網絡可以較好地描述人體行為特征與行為類別之間的映射關系，但是基于經驗風險最大化原則，訓練過程中要求樣本數量多，不然就會出現“欠學習”或者“過擬合”缺陷。相對于神經網絡，支持向量機在小樣本條件下可以獲得較好的人體行為識別結果，當前主要用于構建人體行為分類器，然而支持向量機的參數對人體行為識別結果具有重要的影響。

當前人體行為識別的建模與分類過程中，特征選擇和支持向量機參數分開進行，沒有考慮兩者之間的聯系，為了提高人體行為的識別率，本文提出一種特征選擇和分類器參數進行聯合優化的人體行為識別模型，實驗結果表明，本文模型可以不僅可以選擇最優的人體行為特征，而且建立了最優人體行為識別的分類器，獲得理想的人體行為識別結果。

1 提取人體行為特征

設人體行為圖像點的(x,y)的灰度值為f(x,y)，那么人體行為圖像的(p+q)階矩為公式（1）：

為了保證圖像對縮放、旋轉和平移不變性，求得(p+q)階中心矩為公式（2）：

， （3）

（5）

（6）

（8）

（9）

2 支持向量機的人體行為分類器

設訓練集的樣本數為n，訓練集為：

， （11）

公式（11）中，w和b分別為權值向量及偏移量。

根據結構風險最小化原則，式（11）可轉化為如下優化問題，即公式（12）：

引入拉格朗日乘子變為凸二次優化問題如公式（13）：

為了加快求解速度，將公式（12）轉成對偶形式，即有公式（14）：

引入函數K(xi,x)代替向量內積(φ(xi),φ(x))，那么支持向量機的分類決策函數為公式（15）：

（15）

SVM是二分類器，而人體行為識別是一種多分類問題，必須構造多分類器才能進行人體行為識別，本文采用的是“一對多”的分類器結構。

3 本文的人體行為識別模型

3.1 人體行為特征和分類器參數優化的數學模型

人體行為特征和分類器參數優化目標都是提高人體行為識別正確率，特征和分類大參數聯合優化的數學模型為公式（16）：

公式（16）中，S表示特征子集；M表示LSSVM參數。

3.2 改進粒子群算法

設i=(i1,i2,…,id)，i=(i1,i2,…,id)分別表示第i個粒子的位置和速度；i=(i1,i2,…,id)為粒子當前最優位置；g=(g1,g2,…,gd)為種群歷史最優位置。粒子的速度和位置更新方式為公式（17）：

公式（17）中，k是迭代次數，ω為慣性權重，c1、c2為學習因子，r1、r2為隨機數。

引入一種自適應調整的慣性權重的方法，將其設為隨迭代次數線性改變的變量，具體如公式（18）：

公式（18）中，ωmin、ωmax分別為ω最小值和最大值；f為個體適應度；favg和fmin分別為粒子群平均和最小適應度值。

將c1、c2分別設置為隨迭代次數單調遞減函數和單調遞增的函數，構造的單調函數為公式（19）：

公式（19）中，k為當前迭代次數；Kmax為粒子群的最大迭代次數。

3.3 人體行為自動識別步驟

（1）收集人體行為識別特征，并采用式(20)對特征進行歸一化處理，如公式（20）：

（2）并初始化粒子群，每一個粒子由人體行為特征子集、分類器(SVM)參數組成。

（3）計算每個粒子的適應度值，并更新自身歷史最優的位置和粒子群的最優位置。

（4）自適應調整慣性權重，并更新粒子的速度和位置。

（5）如滿足算法的結束，根據最優位置得到最優人體行為特征子集和分類器參數。

（6）根據最優特征子集和最優參數的分類器建立人體行為識別模型。

4 仿真實驗

4.1 數據源

英特爾酷睿 4核 2.8 GHz CPU，8G RAM，800G HDD，Windows XP的計算機上，采用Matlab 2012工具箱進行人體行為識別的仿真實驗，主要用于識別走，蹲，坐，彎腰，跑五種不同類型的行為，各種待業的樣本數量如表1所示：

表1 實驗樣本分布

采用粒子群算法選擇特征，分類器參數隨機確定（SVM1）；原始特征，粒子群算法選擇分類器（SVM2）；粒子群算法分別選擇特征和分類器參數（SVM3）的人體行為識別模型進行對照實驗。

4.2 結果與分析

4.2.1 人體行為的識別結果

采用表1的人體行為訓練樣本進行學習，建立人體行為識別模型，然后采用測試樣本對其性能進行測試，結果分別如圖1所示：

圖1 SVM1的人體行為識別結果

圖1的實驗結果進行對比分析，可以得到如下結論：

（1）相對于SVM1和SVM2，SVM3的人體行為識別率得到了提高，誤識率相對較低，主要是SVM3采用粒子群算法分別對人體行為特征和分類器參數進行了優化，降低了特征維數，而且分類器的參數更優，獲得更好的人體行為識別結果，如圖2所示：

圖2 SVM2的人體行為識別結果

（2）相對于SVM3，本文模型的人體行為識別正確率更高，人體行為的識別結果更加理想，主要是由于本文模型采用粒子群優化算法同時對人體行為特征和分類器參數進行了聯合優化，考慮了人體行為特征和分類器參數之間的聯系，建立性能優異的人體行為識別模型，降低了誤識率，人體行為識別結果更加可靠，如圖3、圖4所示：

圖3 SVM3的人體行為識別結果

圖4 本文模型的人體行為識別結果

4.2.2 識別速度比較

對各種模型的人體行為平均識別時間（秒，s）進行統計，結果如表2示：

表2 不同模型的人體行為識別效率比較

在所有的人體行為識別模型，本文模型的平均識別時間最少，這表明本文模型的人體行為平均識別速度最快，識別效率最高，可以滿足了人體行為識別的實際要求。

5 總結

為了提高人體行為的識別正確率，考慮人體行為識別存在的一些問題，提出一種特征選擇和分類器參數聯合優化的人體行為識別模型，仿真實驗結果表明，相對于其它人體行為識別，本文模型可以同時找到最優特征子集和分類器參數，減少了計算復雜度，提高了人體行為識別的正確率，加快了人體行為識別速度，具有廣泛的應用前景。

參考文獻：

[1] 谷軍霞,丁曉青,王生進. 行為分析算法綜述[J]. 中國圖像圖形學報, 2009,14(3): 377-387.

[2] 黎洪松,李達. 人體運動分析研究的若干新進展[J]. 模式識別與人工智能, 2009,22(1):70-78.

[3] Zhu Y, Navak N, Roy Chowdhury A. context-aware activity recognition and anomaly detection in video [J]. IEEE, 2013, 7(1): 91-101.

[4] Chen L, Hoey J, Nugent C D, et al. Sensor-based activity recognition [J]. IEEE Transactions on Applications and Reviews, 2012, 42(6):790-808.

[5] 阮濤濤,姚明海,瞿心昱等. 基于視覺的人體運動分析綜述[J]. 計算機系統應用, 2010,20(2): 245-253.

[6] 白曉平,鄧正宏,王美靖. 基于協同訓練和不變矩特征的人體行為分析[J]. 西北工業大學學報, 2011, 29(6):871-877.

[7] 林春麗,王科俊,李玥. 基于增強能量圖和二維保局映射的行為分類算法[J]. 計算機應用, 2011, 31(3): 721-744.

[8] 李英杰,尹怡欣,鄧飛. 一種有效的行為識別視頻特征[J]. 計算機應用,2011,31(2): 406-419.

[9] WANG Dian, CHENG Yong-Mei, YANG Tao, et al. Moving cast shadow suppression from a Gaussian mixture shadow model [J]. Computer Applications, 2006, 26(5): 1021-1026.

[10] 趙海勇,劉志鏡,張浩. 基于輪廓特征的人體識別行為[J]. 光電子?激光,2010, 21(10): 1547-1551.

[11] Qian Huimin, Mao Yao Bin,Xiang Wen Bo, et a1. Recognition of human activities using SVM multi-classifier [J]. Pattern Recognition Letters, 2010, 31(2):100-111.

[12] Jamie S, Andrew F , Mat C, et al. Real-time human pose recognition in parts from single depth images [C]. Proc of the 24th IEEE Conference on Computer Vision and Pattern Recognition. Colorado Springs: IEEE Computer Society Press, 2011: 1297-1304.

[13] Hui Yu, Guang Min Sun, Wen Zing Song et al. Human motion recognition based on neural network [J]. Digital Object Identifier, 2005, 27(2): 979-982.

[14] Blank M, Gorelick L, Shechtman E, et al. Actions as space-time shape[C]. Proceedings of the 10th International Conference on Computer Vision, Beijing: IEEE, 2005: 1395-140.

Human Behavior Recognition by Feature Selection and Classifier Parameter Optimization

Guo Chunlu, Tao Lin

(Department of Electronics and Information Engineering, Henan Polytechnic Institute, Nanyang 473000, China)

Feature selection and classifier parameter optimization are key techniques to improve the recognition rate of human behavior, current models do not consider link between feature selection and classifier parameter optimization. In order to improve the human behavior recognition rate, a feature selection and classifier parameter optimization model for human behavior recognition is proposed. First of all, it analyzes the current situation of research on human behavior recognition, and a mathematical model for optimization of human behavior recognition features and classifier parameters is established. Secondly, improved particle swarm optimization algorithm is used to solve mathematical model, and the optimal human behavior recognition model is established. Finally, the performance is tested by simulation experiments. The results show that the model overcomes the defects of the current human behavior recognition model, and improves the recognition rate of human behavior, and the recognition speed is faster than the contrast model.

Human Behavior; Feature Selection; Parameter Optimization; Particle Swarm Optimization

1007-757X(2016)04-0074-04

TP391

A

（2015.10.21）

郭春璐（1987-)，女，河南工業職業技術學院，電子工程系，碩士，助教，研究方向：人體行為識別，計算機應用，三維設計，南陽，473000

陶 琳（1979-)，女，河南工業職業技術學院，電子工程系，講師，碩士，研究方向：計算機應用，多媒體技術，南陽，473000