人體行為識別關鍵技術研究探討

1、引言

對人的行為識別和理解在近年來越來越受到科研工作者的關注。它涉及計算機視覺研究領域、人工智能和模式識別領域，由于其在智能監控、人機交互、視頻檢索、體育賽事分析、運動員輔助訓練、病人監護等方面有著廣泛的應用前景而成為了近幾年的研究熱點。

根據行為復雜程度的不同，一般可將基于視覺的人體行為識別劃分為三個層次[1]：對一段視頻中正在進行的動作或發生的事情做出識別時，該系統的輸入是一段視頻，輸出可以是一個簡單的動作，如“左腿向前”等;也可以是一系列動作組成的行為，如“跑”、”跳”;還可以是一種事件活動，如體育賽事中的”跨欄”、地鐵站里發生”搶劫”等。

隨著近年來對人體行為識別研究的不斷深入，通過對大量相關文獻[1-5]的整理總結：人的行為識別和理解研究一般遵從運動目標檢測及跟蹤，姿態估計，動作特征提取和動作分類幾個基本過程。在行為識別中，常用的方法是從視頻直接提取動作狀態特征進行動作表示，然后對各個行為狀態特征進行分類，從未而達到識別的目的。分類的算法一般是需要通過機器學習、訓練樣本數據來得到。

本文主要人體行為識別介紹了該技術的研究現狀和采用的一般方法， 分析了致使進展較慢的一些因素， 最后就其未來的研究發展趨勢進行了探討。

2特征描述

在這部分，本文主要討論從視頻序列中提取動作特征的各種方法。主要分為基于局部特征的特征描述和基于全局的特征描述[6]。

基于局部的描述一般思路是依據某些原則將人體分為一系列獨立的碎片，首先是獲取時空中的興趣點，所謂感興趣點是指空間上或時間上突然發生變化的點，這些點類似于2 維圖像中的角點或者邊緣點，只是擴展到3 維，這些點組成一個稠密或稀疏的集合并形成最終的描述。它的優點是不要求背景的提取和對于人的跟蹤，所以比較容易處理復雜場景，但是如何提取足夠的興趣點和需要一些預處理是一個問題。

基于全局的描述主要是通過對背景的提取或是跟蹤來定位人的位置區域，然后將其作為一個整體進行編碼，最終形成一個圖像的描述子。這種方式的優點是可較全面的提取特征信息，但是過于依賴精確的背景提取或跟蹤，并且對視角、噪聲和遮擋等相當敏感，如果能合理的消除這些影響因素，全局描述能獲得不錯的識別效果。

3 行為分類

在獲得觀察幀的動作的特征描述后，行為識別就自然而然的變成了一個分類問題，即將待測序列的特征類與樣本類進行比對完成最終的識別任務。目前主流分類方法大致可以分為兩類，一種是傳統方法，即直接對提取的特征進行模板匹配來分類，例如SVM[9];另一種稱之為狀態空間法，即通過大量特征數據的訓練學習，以統計學的方法對動作類建立模型，進而達到識別的目的，主要有HMM和CRF等[7]。

3.1 模板匹配

模板匹配方法廣泛應用于模式識別領域， 是一種基本的特征匹配方法。基本思路是把整個視頻序列看作一個整體，然后把整個動作表示成一個特征向量，即特征模板[8]，通過訓練得到每類動作的模板，識別時把待分類動作特征跟各類的模板做匹配，取距離最小的已知行為模板所屬的類別作為識別結果。模板匹配法采用的特征一般是二維網格， 這類方法操作起來簡單，計算代價低， 但對運動持續時間的變化和噪聲比較敏感，不同的人或者同一個人在不同時間所做的動作都會有很大的差異性，或者同一個動作視角不同，得到特征數據也會有很大的差異，如果要全面描述一個動作，其存儲的模板的數據量會很大，所以并不容易建立模板。

3.2狀態空間法

模板匹配實際上是一種基于距離度量的方法，它雖簡單易行，但忽略了隱含在特征序列中姿態之間的聯接關系，而狀態空間法可以很好地彌補這一點。狀態空間法把每一種靜態姿勢定義為一種狀態， 這些狀態通過概率聯系起來，由靜態姿勢所組成的任何運動序列可以看成是這些不同狀態之間的一次遍歷過程。在遍歷過程中計算聯合概率并將最大值作為行為分類的標準， 采用這樣的方法， 運動的持續時間則不再是一個問題， 因為每一種狀態都可以重復訪問自身多次。然而， 這種方法通常需要建立內在的非線性模型， 沒有固定形式的解決方法。 而非線性模型需要在訓練過程中尋找一個全局最優解， 這就需要進行復雜的迭代計算。

4 評測數據庫

目前用于行為識別的算法評測的數據庫有很多[10]。本文主要介紹現在主流的一些行為識別的數據庫。較為流行的主要包括：KTH數據庫、Weizmann數據庫和IXMAS數據庫等。這些數據庫一般都是包含有6-11個動作，分別有多個人來表演。

5 結論

人體行為識別的目的是實現監控系統和計算機等的智能化，其未來發展趨勢是如何將數據圖像技術、人工智能和計算機等方面的成果結合起來，將現有的簡單行為識別算法推廣到更為復雜場景下兩人或多人的交互行為的識別中，建立一個具有自主學習能力的實時系統。

參考文獻：

[1] 張學工. 關于統計學習理論與支持向量機[J].自動化學報，2000，26（1）：32-42.

[2] 趙榮椿， 趙忠明， 趙歆波.數字圖像處理與分析[M]. 北京： 清華大學出版

社.2013.

[3] 趙春暉， 潘泉等. 視頻圖像運動目標分析[M]. 北京：國防工業出版社 2011：

62- 63.

[4]王亮，胡衛明，譚鐵牛.人運動的視覺分析綜述[J].計算機學報，2002，25（3）：225—237.

[5]杜友田，陳峰，徐文立等.基于視覺的人的運動識別綜述[J].電子學報，2007，35（1）：84—90.

[6] 劉相濱，向堅持，王勝春，人行為識別與理解研究探討[J].計算機與現代化，2004，12 （4）：1-5.

[7] "趙志勇. 基于視頻流的運動人體行為識別研究[D]. 西安： 西安電子科技大學碩士學位論文.2011

[8] 周艷青，王磊.基于視覺的人體動作識別綜述[J].山東輕工業學院學報，2012，26（1）： 86 -89

[9]張學工. 關于統計學習理論與支持向量機[J].自動化學報，2000，26（1）：32-42.

[10]袁勝發， 褚福磊. SVM多類分類算法及其在故障診斷中的應用[J]. 振動工程學報，2004， 17：419-421.