基于運動特征數(shù)據的人體運動行為特征關聯(lián)分布模型

楊和峰

（宜春職業(yè)技術學院，江西 宜春 336000）

0 引言

人體運動行為特征識別是對人體運動類型的分類，也是人類了解自身的途徑之一。基于人體運動特征數(shù)據進行的人體行為識別，可應用于很多領域。在運動分析領域，可幫助運動員分析肢體動作技巧；在智能監(jiān)控方面，可通過身份識別進行安全認證；在醫(yī)療看護方面，可以用于疾病診斷和健康監(jiān)護；同時在虛擬現(xiàn)實、人機交互、軍事發(fā)展方面，人體運動行為特征都具有極高的發(fā)展?jié)摿Γ梢蕴岣咦R別的準確性，增強設備工作效率，促使人們通過計算機觀察和理解世界[1]。由于人體運動行為符合馬爾可夫特性，因此基于馬爾可夫的隱馬爾可夫模型能夠考慮人體運動狀態(tài)，具有很好的運動行為微小變化的魯棒性。但由于隱馬爾可夫模型計算過于復雜，狀態(tài)輸出概率也存在較大隨機性，影響人體行為識別效率，因此該文選取基于人體運動特征的改進后的隱馬爾可夫模型——N-SCHMM模型進行人體行為特征識別驗證，進而獲得更具信息性的表示，進一步探究人體行為識別方法[2]。

1 人體運動行為目標檢測

運動目標檢測是人體運動行為特征的預處理階段，主要目的在于分割運動目標以便獲取運動特征，其運動特征數(shù)據的精準度對運動行為特征模型的建立具有重要作用，影響行為識別的精確程度和智能應用的應用前景[3]。在實際研究中，為方便運動行為特征的提取，需要借助背景差分法等對運動狀況下的攝像頭進行檢測，處理運動區(qū)域內部的小縫隙，獲取完整的人體運動目標，提高信息的真實性。背景差分法具體流程如圖1所示。

圖1 背景差分法具體流程圖

該方法將當前幀圖像與實時畫面相減，如果像素差值大于某一閾值，則這一像素為運動目標像素，根據運動對象的位置、大小以及形狀等檢測人體運動行為目標，可提升計算效率，增強檢測效果，為運動目標提供最完整的特征數(shù)據。

2 人體運動行為特征關聯(lián)分布模型

2.1 運動行為特征提取

根據運動特征數(shù)據，利用關聯(lián)特征挖掘方法，進行時域特征提取和頻域特征提取，借助粒子群優(yōu)化和蟻群優(yōu)化選擇運動行為特征，構建特征向量，降低特征向量的維度[4]。假定人體行為特征參數(shù)的數(shù)據集合為{a1，a2，...，an}，n個人體子區(qū)域的數(shù)據集合為{b1，b2，...，bn}，計算人體運動行為特征參數(shù)γ，對比特征關聯(lián)性的公式如公式（1）所示。

式中：an為第n個人體特征參數(shù)；k為運動行為特征比例；A為行為時間。

針對運動行為的不同分類描述基本特征，計算特征關聯(lián)性系數(shù)。在此基礎上利用黃金分割方法，按照人體行為特征運動強度Qi和運動幅度Q0，進行人體運動行為特征閾值計算，如公式（2）所示。

式中：SQDS為閾值動態(tài)變化參數(shù)。

根據行為特征閾值判斷人體運動行為的真實性，降低運動行為識別過程的延遲，獲取最優(yōu)的人體行為分類。

提取運動行為特征后，改進原始的K-means即K均值聚類算法的隨機選擇缺陷，利用MIK-means關鍵幀提取算法提取人體行為的關鍵幀序列和聚類行為特征向量的序列，優(yōu)化人體行為識別，并將行為序列進行網格特征化處理。假定每個提取人體運動區(qū)域的二值圖像有MI×NI個像素，如果將此二值圖像劃分為MM×NM個像素網格，用網格特征表示人體行為的特征向量。網格特征f(i，j)的計算過程如公式（3）所示。

基于原始的聚類算法步驟可根據網格化特征融合MIKmeans算法精確提取關鍵幀，初步刪選后進行聚類，接著建立包括所有行為的關鍵姿勢幀，對特征向量序列進行矢量量化，最終轉化為符號序列，提取運動行為特征，用網格特征來表示人體運動行為的特征向量，進行人體行為序列轉化[5]。

2.2 人體行為序列轉化

針對運動特征數(shù)據觀測函數(shù)矩陣，其中每個元素函數(shù)的函數(shù)特征都可用向量表示，具體如公式（4）所示。

式中：ve f為運動數(shù)據函數(shù)化的數(shù)據特征。

它是一個由函數(shù)最大值、最小值以及頻率構成的三維向量，從一個圖像序列中提取其特征向量，將時序圖像轉換為符號序列，最終運動行為的順序關鍵幀序列可由一個一維符合序列來表示[6]。對人體運動行為特征向量序列進行矢量量化，并對聚類網格特征向量的特征空間進行分類，用碼字表示特征空間的聚類中心，每個聚類中心都分配對應的符號向量，形成最終觀察序列。

在基于運動特征的人體運動行為學習和識別過程中，采用MIK-means聚類算法得到聚類結果。接著規(guī)劃化處理人體運動中心的質心，對運動特征進行量化改進。根據聚類中心距離最近的碼字創(chuàng)建碼表，生成特征向量序列，將關鍵姿勢幀的網格特征向量按照順序依次排列在碼表中。基于已訓練好的各個行為的N-SCHMM模型進行序列輸入，使網格特征向量矢量量化為一個符號，生成特征符號序列，進行計算機的有效識別。

2.3 建立N-SCHMM模型

在人體行為識別中，采用馬爾可夫模型的改進模型隱馬爾可夫模型[7]。隱馬爾可夫模型如圖2所示。它能夠識別人體行為的運動時空序列，把握空間和時間尺度上的微小運動變化，是一個全連接結構的模型。這一傳統(tǒng)模型沒有充分考慮人體的運動特征與模型之間的關系，狀態(tài)轉移概率冗余，狀態(tài)輸出概率隨機，計算方法和行為模型訓練解決方法都比較復雜，影響人體行為的識別率。

圖2 隱馬爾可夫模型示意圖

該文采取改進的隱馬爾可夫模型，假定人體運動行為由K個關鍵的姿勢表示，圖2中簡化為3個，以1、2、3表示，按時間序列分布關鍵姿勢，代表人體運動行為的發(fā)生過程。基于這一假設，該文提出一種N個狀態(tài)組成的、半連接的隱馬爾可夫模型——N-SCHMM模型，并對其中狀態(tài)輸出概率進行改進，便于更好地適應人體行為的運動特征，改進后的模型結構示意圖如圖3所示。

圖3中，λJ表示一個N-SCHMM的參數(shù)，SA表示模型狀態(tài)轉移概率，SB表示模型狀態(tài)輸出概率，以此類推，SN表示參與計算的模型狀態(tài)。根據運動行為特征提取和矢量量化，轉化人體行為的符號序列至N-SCHMM模型，得到模型參數(shù)并進行行為識別，每種運動行為的參數(shù)集合λJ即表示N-SCHMM模型，可減少系統(tǒng)計算的數(shù)據量。在該設計中，確定N-SCHMM模型的轉移概率和輸出概率十分重要[8]。在模型的參數(shù)集合λJ中，狀態(tài)J時的以此行為狀態(tài)轉移概率矩陣AJ中的每個元素都表示一種轉改轉移概率。根據碼表中的運動特征向量，對有N個狀態(tài)的一個行為N-SCHMM，在狀態(tài)輸出概率矩陣中，元素代碼表示其中的每個關鍵姿勢的概率。

圖3 改進的N-SCHMM模型結構示意圖

在基于運動特征數(shù)據的人體運動特征關聯(lián)分布N-SCHMM模型訓練與識別中，先要構建訓練集，對模型參數(shù)集合進行訓練，對人體行為進行建模，并在建模過程中不斷優(yōu)化參數(shù)集合，改進參數(shù)訓練的轉移狀態(tài)[9]。采用Baum-Welch估計參數(shù)對已知的人體行為觀察值序列進行參數(shù)訓練，訓練每個N-SCHMM模型。在前一個人體運動行為狀態(tài)只能向后一個狀態(tài)轉移，且狀態(tài)之間沒有回路的前提下，改進后的狀態(tài)轉移概率aij的計算如公式（5）所示。

式中：i的取值為[1，N]；j的取值為[i，N]；γt（i，j）為在設定訓練時刻t時，在N-SCHMM模型中，針對給定關鍵幀的序列，按從左到右的順序從i轉移到j的人體運動行為狀態(tài)的轉移概率，且無須對參數(shù)中的0元素進行估計。

在N-SCHMM中，狀態(tài)輸出概率的決定性因素為該概率的所屬狀態(tài)，因此在參數(shù)訓練過程中對運動狀態(tài)的輸出概率進行優(yōu)化，在狀態(tài)輸出概率上加上權重，計算帶權重的狀態(tài)輸出概率bj（ck）如公式（6）所示。

式中：SA為最前端的狀態(tài)；p為當前輸出狀態(tài)的權重；q為當前狀態(tài)對應其他運動位置關鍵幀的輸出狀態(tài)權重；k為關鍵姿勢幀的狀態(tài)輸出概率個數(shù)。

在N-SCHMM模型訓練中，通過計算估計狀態(tài)轉移概率aij和狀態(tài)輸出概率bj（ck）進行人體運動行為特征識別，將給定的待識別人體行為分類為已知人體行為，利用前向算法歸納出某一狀態(tài)下該行為的觀測序列與模型參數(shù)的相似程度概率，計算最大似然值的識別結果，找出最大似然概率的已知行為并進行歸類，達到對人體行為進行識別的目的。

3 仿真試驗與結果分析

3.1 試驗準備

為驗證基于運動特征數(shù)據的人體運動行為特征關聯(lián)分布模型的有效性，該文的試驗環(huán)境為Intel（R） Pentium（R） CPU G3220 @ 3.00GHz，3.00GHz處理器，32 G RAM內存，64位操作系統(tǒng)的PC機。選擇Weizmann數(shù)據庫中的人體行為的數(shù)據集進行試驗，驗證N-SCHMM模型在行為識別上的性能。在數(shù)據集中提取6個人的運動特征數(shù)據做測試，實施跑步、走路、彎腰、單手揮動以及雙手揮動5種不同的行為，總計特征（時域和頻域特征）數(shù)為30條。訓練每種運動行為的N-SCHMM模型，測試這種模型對位置行為序列的識別情況。針對數(shù)據集中不同差異的人體行為特征進行分析研究，捕捉運動過程中的行為特征。

3.2 試驗結果

該文在數(shù)據集上對MIK-means聚類提取關鍵幀算法進行驗證。提取人體運動行為特征，用N-SCHMM模型對數(shù)據集不同行為進行行為識別驗證。分別檢測Weizmann數(shù)據庫中6個人做出的隨機30個人體行為運動特征，對同一行為的不同對象進行驗證，試驗結果見表1。

根據表1所示的待識別行為的分類情況，該文提出的N-SCHMM方法對大部分行為都可以正確識別分類，其中跑步識別率為95%，走路識別率為100%，彎腰識別率為90%，單手揮動90%，雙手揮動識別率為95%，平均識別率為94%，也存在小部分識別錯誤，是因為單手揮動、雙手揮動等幾類運動的側影圖相似度較高，該文認為這是正常的誤差。試驗結果表明，基于運動特征數(shù)據的人體運動行為特征關聯(lián)分布模型可進一步提高人體運動行為特征關聯(lián)分布的準確率，進而能驗證人體行為狀態(tài)與人體運動特征之間結合的可行性。

表1 待識別行為的分類情況

4 結語

綜上所述，針對運動數(shù)據在人體行為識別方面的重要性，該文在充分考慮運動形態(tài)變化的基礎上，對人體運動行為特征進行了預處理，表征人體運動目標特征，檢測人體運動目標，利用關聯(lián)特征挖掘方法，提取運動行為特征，構建特征向量，采用K-means模型中的K均值聚類算法提取人體行為的關鍵幀序列，對特征向量序列進行矢量量化，最終轉化為符號序列。試驗驗證說明該文提出的模型計算復雜度低、識別人體行為準確率高。對更復雜的人體運動行為特征關聯(lián)以及運動特征數(shù)據的運用，還有待很多學者在未來研究工作中進行更深層次的研究。