基于GA-HMM的人體行為識(shí)別

梁鵬華

（蘭州交通大學(xué) 電子與信息工程學(xué)院，蘭州 730070）

0 引言

人體行為識(shí)別是指使機(jī)器像人腦一樣分析識(shí)別人體行為。由于人體行為識(shí)別在智能視頻監(jiān)控、虛擬現(xiàn)實(shí)、視頻編碼、運(yùn)動(dòng)分析等方面的廣泛應(yīng)用，近年來(lái)人體行為識(shí)別已成為計(jì)算機(jī)視覺(jué)等領(lǐng)域的研究熱點(diǎn)。

在人體行為識(shí)別領(lǐng)域，HMM是應(yīng)用最為普遍的理論。通常情況下，人們使用Baum-Welch算法來(lái)訓(xùn)練HMM參數(shù)，但BW算法對(duì)初始參數(shù)的選擇非常敏感。由于初始參數(shù)是隨機(jī)選取的，容易使HMM算法陷入局部最優(yōu)，從而影響了整個(gè)人體行為識(shí)別系統(tǒng)的識(shí)別率。遺傳算法是一種全局搜索算法，可以獲得全局最優(yōu)解。為提高HMM模型的識(shí)別率，本文提出了一種基于遺傳算法和HMM的人體行為識(shí)別算法。在HMM模型的訓(xùn)練階段使用GA對(duì)HMM參數(shù)進(jìn)行優(yōu)化解決了模型陷入局部最優(yōu)的問(wèn)題，提高了隱馬爾科夫模型的識(shí)別率。

1 基于HMM的行為識(shí)別

使用HMM識(shí)別圖像序列中的人體動(dòng)作的流程如圖所示。結(jié)合本文的實(shí)驗(yàn)，首先對(duì)圖像序列中的各種行為進(jìn)行建模，對(duì)應(yīng)人體行為庫(kù)中的每一種動(dòng)作，建立相應(yīng)的HMM描述，生成HMM模型庫(kù)。對(duì)未知?jiǎng)幼餍蛄羞M(jìn)行識(shí)別前先進(jìn)行預(yù)處理、提取運(yùn)動(dòng)目標(biāo)等工作，然后提取待識(shí)別目標(biāo)的特征參數(shù)（本文選取的是目標(biāo)圖像的七階不變矩），得到的特征序列輸入識(shí)別算法模塊，用模型庫(kù)中的各個(gè)動(dòng)作的HMM分別計(jì)算在各個(gè)模型中出現(xiàn)的概率 P ( O |λi)，在分類識(shí)別階段得到該特征序列對(duì)應(yīng)的最優(yōu)模型，即，該模型所對(duì)應(yīng)的動(dòng)作種類就是待識(shí)別動(dòng)作序列的識(shí)別結(jié)果。

圖1 基于HMM的人體行為識(shí)別流程

2 用遺傳算法訓(xùn)練HMM

遺傳算法是一種基于自然進(jìn)化的搜索方法，遵從優(yōu)勝劣汰的自然法則。遺傳算法根據(jù)問(wèn)題的目標(biāo)函數(shù)構(gòu)造一個(gè)適應(yīng)值函數(shù)（Fitness Function），對(duì)一個(gè)由多個(gè)解（每個(gè)解對(duì)應(yīng)一條染色體）構(gòu)成的種群進(jìn)行評(píng)估、遺傳運(yùn)算、選擇，經(jīng)多代繁殖，獲得適應(yīng)值最好的個(gè)體最為問(wèn)題的最優(yōu)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(jī)制

在本文的中，主要對(duì)參數(shù)A和B進(jìn)行訓(xùn)練，編碼時(shí)采用實(shí)數(shù)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(chǎn)生的新一代種群的個(gè)體參數(shù)仍滿足次條件，對(duì)A和B按行進(jìn)行歸一化，得到A1和B1。染色體的構(gòu)成如圖3所示，因?yàn)楸疚牡膶?shí)驗(yàn)采用的是5狀態(tài)左右無(wú)跨越型HMM，矩陣A會(huì)出現(xiàn)大面積的0，所以實(shí)際參與編碼的A1長(zhǎng)度為9，。碼字長(zhǎng)度設(shè)定為30，參與運(yùn)算的B1長(zhǎng)度為150，故一條染色體的長(zhǎng)度為159。

圖3 染色體編碼結(jié)構(gòu)

（2）適應(yīng)值函數(shù)設(shè)定

在本文中，個(gè)體的適應(yīng)度用各個(gè)訓(xùn)練樣本的對(duì)數(shù)似然概率來(lái)表示

（3）選擇運(yùn)算

選擇運(yùn)算時(shí)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(shí)現(xiàn)的方法，個(gè)體被選中的概率和他們的適應(yīng)值成正比。選擇過(guò)程體現(xiàn)了生物進(jìn)化過(guò)程中“適者生存，優(yōu)勝劣汰”的思想，并保證優(yōu)良基因遺傳給下一代個(gè)體。

（4）遺傳運(yùn)算

遺傳運(yùn)算包括交叉和變異兩部分，本文實(shí)驗(yàn)中的染色體A1部分長(zhǎng)度較短，B1部分長(zhǎng)，所以對(duì)A1部分實(shí)行單點(diǎn)交叉和變異，對(duì)B1部分實(shí)行雙點(diǎn)交叉和變異。在進(jìn)行完交叉和變異后，對(duì)染色體A1和B1分別進(jìn)行歸一化處理以滿足矩陣元素行和為1的條件。

3 實(shí)驗(yàn)及分析

實(shí)驗(yàn)階段使用的數(shù)據(jù)庫(kù)是目前行為識(shí)別領(lǐng)域最常使用的以色列Weizmann人體行為數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)提供了由9個(gè)人執(zhí)行的走、跑、跳、揮手等10種行為。仿真實(shí)驗(yàn)時(shí)，在數(shù)據(jù)庫(kù)中隨機(jī)選擇6個(gè)人的行為作為訓(xùn)練集，剩下的3個(gè)人的行為作為測(cè)試集，重復(fù)25次。仿真實(shí)驗(yàn)在matlab軟件下進(jìn)行，首先使用傳統(tǒng)的BW法訓(xùn)練HMM并得到最終的識(shí)別率，然后使用GA訓(xùn)練HMM，得到最終的識(shí)別率。其中遺傳算法的參數(shù)設(shè)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(shù)NG=200。HMM為五狀態(tài)左右無(wú)跨越型。

從表1可以看出經(jīng)過(guò)遺傳算法優(yōu)化的HMM比傳統(tǒng)方法優(yōu)化得到的HMM有更高的識(shí)別率。“skip”的識(shí)別率較低，是因?yàn)樵搫?dòng)作的側(cè)影圖和"run"相似。

表1 識(shí)別結(jié)果比較

4 總結(jié)

遺傳算法具有優(yōu)良的全局搜索能力，利用GA訓(xùn)練HMM能很大程度是克服BW算法容易潛入局部最優(yōu)的缺陷，將GA-HMM用于人體行為識(shí)別，識(shí)別率較傳統(tǒng)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(shù)字圖像處理[M].北京：機(jī)械工業(yè)出版社，2012：245-247.

[3] 裴繼紅，李翠蕓.龔忻.基于GA-AHMM的聯(lián)機(jī)手繪圖形識(shí)別技術(shù)[J].系統(tǒng)工程與電子技術(shù)，2004，6（3）：378-381.

[4] 徐麗，康瑞華，基于遺傳算法的HMM參數(shù)估計(jì)[J].湖北工業(yè)大學(xué)學(xué)報(bào) 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(yùn)動(dòng)行為識(shí)別方法[J].模式識(shí)別與人工智能，2009，（3）：433-439.

[6] 李寧，須德，傅曉英，袁玲.結(jié)合人體運(yùn)動(dòng)特征的行為識(shí)別 [J]. 北京交通大學(xué)學(xué)報(bào)，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(yīng)建立HMM的靜脈識(shí)別算法[J].東北大學(xué)學(xué)報(bào)（自然科學(xué)版）.2011，32（11）：1529-1533.

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