特征選擇和分類器參數(shù)優(yōu)化聯(lián)合進(jìn)行的人體行為識(shí)別

郭春璐，陶琳

?

特征選擇和分類器參數(shù)優(yōu)化聯(lián)合進(jìn)行的人體行為識(shí)別

郭春璐，陶琳

特征選擇和分類器參數(shù)優(yōu)化是提高人體行為識(shí)別率的關(guān)鍵技術(shù)，針對(duì)當(dāng)前模型沒(méi)有考慮兩者之間的聯(lián)系不足，為了提高人體行為的識(shí)別率，提出了一種特征選擇和分類器參數(shù)優(yōu)化聯(lián)合進(jìn)行的人體行為識(shí)別模型。首先，分析當(dāng)前人體行為識(shí)別研究的現(xiàn)狀，并建立人體行為識(shí)別特征和分類器參數(shù)優(yōu)化的數(shù)學(xué)模型；然后，利用改進(jìn)粒子群算法對(duì)數(shù)學(xué)模型進(jìn)行求解，建立最優(yōu)的人體行為識(shí)別模型；最后，通過(guò)仿真實(shí)驗(yàn)測(cè)試其性能。結(jié)果表明，其模型克服了人體行為識(shí)別模型的缺陷，提高了人體行為識(shí)別率，識(shí)別速度也要快于對(duì)比模型。

人體行為；特征選擇；分類器參數(shù)優(yōu)化；粒子群算法

0 引言

人體行為識(shí)別作為人體運(yùn)動(dòng)分析的高級(jí)階段，在人機(jī)交互、安全監(jiān)控和醫(yī)療診斷等領(lǐng)域具有廣泛的應(yīng)用前景，然而人體行為復(fù)雜且多樣，因此，如何準(zhǔn)確識(shí)別人體行為成為計(jì)算機(jī)視覺(jué)研究中的熱點(diǎn)問(wèn)題[1,2]。

針對(duì)人體行為識(shí)別問(wèn)題，國(guó)內(nèi)外學(xué)者對(duì)其做了大量、深入的研究，取得了不錯(cuò)的研究成果[3]。人體行為識(shí)別首先從圖像序列中檢測(cè)人體目標(biāo)，提取行為特征；然后對(duì)人體行進(jìn)行分類和識(shí)別[4]。因此人體行為識(shí)別中的關(guān)鍵技術(shù)為：特征提取與分類器的設(shè)計(jì)，其中特征提取優(yōu)劣直接影響后續(xù)的人體行為識(shí)別[5,6]。為了更加準(zhǔn)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(xiàn)冗余信息，不包含一些無(wú)用或者甚至干擾人體行為識(shí)別的特征，為此需要對(duì)特征進(jìn)行選擇，選擇對(duì)人體行為識(shí)別有重要貢獻(xiàn)的特征，降低特征維數(shù)[7]。當(dāng)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(shù)，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(guò)強(qiáng)大搜索能力從原始特征中找到有利于提高人體行為識(shí)別的特征，消除特征之間的冗余，應(yīng)用更加廣泛。當(dāng)前人體行為識(shí)別的分類器主要基于K最近鄰算法、神經(jīng)網(wǎng)絡(luò)以及支持向量機(jī)等[11-14]，K最近鄰法根據(jù)樣本之間的距離實(shí)現(xiàn)人體行為識(shí)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(guān)系，因此識(shí)別效果比較差；神經(jīng)網(wǎng)絡(luò)可以較好地描述人體行為特征與行為類別之間的映射關(guān)系，但是基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最大化原則，訓(xùn)練過(guò)程中要求樣本數(shù)量多，不然就會(huì)出現(xiàn)“欠學(xué)習(xí)”或者“過(guò)擬合”缺陷。相對(duì)于神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)在小樣本條件下可以獲得較好的人體行為識(shí)別結(jié)果，當(dāng)前主要用于構(gòu)建人體行為分類器，然而支持向量機(jī)的參數(shù)對(duì)人體行為識(shí)別結(jié)果具有重要的影響。

當(dāng)前人體行為識(shí)別的建模與分類過(guò)程中，特征選擇和支持向量機(jī)參數(shù)分開(kāi)進(jìn)行，沒(méi)有考慮兩者之間的聯(lián)系，為了提高人體行為的識(shí)別率，本文提出一種特征選擇和分類器參數(shù)進(jìn)行聯(lián)合優(yōu)化的人體行為識(shí)別模型，實(shí)驗(yàn)結(jié)果表明，本文模型可以不僅可以選擇最優(yōu)的人體行為特征，而且建立了最優(yōu)人體行為識(shí)別的分類器，獲得理想的人體行為識(shí)別結(jié)果。

1 提取人體行為特征

設(shè)人體行為圖像點(diǎn)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(duì)縮放、旋轉(zhuǎn)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(jī)的人體行為分類器

設(shè)訓(xùn)練集的樣本數(shù)為n，訓(xùn)練集為：

， （11）

公式（11）中，w和b分別為權(quán)值向量及偏移量。

根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，式（11）可轉(zhuǎn)化為如下優(yōu)化問(wèn)題，即公式（12）：

引入拉格朗日乘子變?yōu)橥苟蝺?yōu)化問(wèn)題如公式（13）：

為了加快求解速度，將公式（12）轉(zhuǎn)成對(duì)偶形式，即有公式（14）：

引入函數(shù)K(xi,x)代替向量?jī)?nèi)積(φ(xi),φ(x))，那么支持向量機(jī)的分類決策函數(shù)為公式（15）：

（15）

SVM是二分類器，而人體行為識(shí)別是一種多分類問(wèn)題，必須構(gòu)造多分類器才能進(jìn)行人體行為識(shí)別，本文采用的是“一對(duì)多”的分類器結(jié)構(gòu)。

3 本文的人體行為識(shí)別模型

3.1 人體行為特征和分類器參數(shù)優(yōu)化的數(shù)學(xué)模型

人體行為特征和分類器參數(shù)優(yōu)化目標(biāo)都是提高人體行為識(shí)別正確率，特征和分類大參數(shù)聯(lián)合優(yōu)化的數(shù)學(xué)模型為公式（16）：

公式（16）中，S表示特征子集；M表示LSSVM參數(shù)。

3.2 改進(jìn)粒子群算法

設(shè)i=(i1,i2,…,id)，i=(i1,i2,…,id)分別表示第i個(gè)粒子的位置和速度；i=(i1,i2,…,id)為粒子當(dāng)前最優(yōu)位置；g=(g1,g2,…,gd)為種群歷史最優(yōu)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(shù)，ω為慣性權(quán)重，c1、c2為學(xué)習(xí)因子，r1、r2為隨機(jī)數(shù)。

引入一種自適應(yīng)調(diào)整的慣性權(quán)重的方法，將其設(shè)為隨迭代次數(shù)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(gè)體適應(yīng)度；favg和fmin分別為粒子群平均和最小適應(yīng)度值。

將c1、c2分別設(shè)置為隨迭代次數(shù)單調(diào)遞減函數(shù)和單調(diào)遞增的函數(shù)，構(gòu)造的單調(diào)函數(shù)為公式（19）：

公式（19）中，k為當(dāng)前迭代次數(shù)；Kmax為粒子群的最大迭代次數(shù)。

3.3 人體行為自動(dòng)識(shí)別步驟

（1）收集人體行為識(shí)別特征，并采用式(20)對(duì)特征進(jìn)行歸一化處理，如公式（20）：

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

（3）計(jì)算每個(gè)粒子的適應(yīng)度值，并更新自身歷史最優(yōu)的位置和粒子群的最優(yōu)位置。

（4）自適應(yīng)調(diào)整慣性權(quán)重，并更新粒子的速度和位置。

（5）如滿足算法的結(jié)束，根據(jù)最優(yōu)位置得到最優(yōu)人體行為特征子集和分類器參數(shù)。

（6）根據(jù)最優(yōu)特征子集和最優(yōu)參數(shù)的分類器建立人體行為識(shí)別模型。

4 仿真實(shí)驗(yàn)

4.1 數(shù)據(jù)源

英特爾酷睿 4核 2.8 GHz CPU，8G RAM，800G HDD，Windows XP的計(jì)算機(jī)上，采用Matlab 2012工具箱進(jìn)行人體行為識(shí)別的仿真實(shí)驗(yàn)，主要用于識(shí)別走，蹲，坐，彎腰，跑五種不同類型的行為，各種待業(yè)的樣本數(shù)量如表1所示：

表1 實(shí)驗(yàn)樣本分布

采用粒子群算法選擇特征，分類器參數(shù)隨機(jī)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(shù)（SVM3）的人體行為識(shí)別模型進(jìn)行對(duì)照實(shí)驗(yàn)。

4.2 結(jié)果與分析

4.2.1 人體行為的識(shí)別結(jié)果

采用表1的人體行為訓(xùn)練樣本進(jìn)行學(xué)習(xí)，建立人體行為識(shí)別模型，然后采用測(cè)試樣本對(duì)其性能進(jìn)行測(cè)試，結(jié)果分別如圖1所示：

圖1 SVM1的人體行為識(shí)別結(jié)果

圖1的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比分析，可以得到如下結(jié)論：

（1）相對(duì)于SVM1和SVM2，SVM3的人體行為識(shí)別率得到了提高，誤識(shí)率相對(duì)較低，主要是SVM3采用粒子群算法分別對(duì)人體行為特征和分類器參數(shù)進(jìn)行了優(yōu)化，降低了特征維數(shù)，而且分類器的參數(shù)更優(yōu)，獲得更好的人體行為識(shí)別結(jié)果，如圖2所示：

圖2 SVM2的人體行為識(shí)別結(jié)果

（2）相對(duì)于SVM3，本文模型的人體行為識(shí)別正確率更高，人體行為的識(shí)別結(jié)果更加理想，主要是由于本文模型采用粒子群優(yōu)化算法同時(shí)對(duì)人體行為特征和分類器參數(shù)進(jìn)行了聯(lián)合優(yōu)化，考慮了人體行為特征和分類器參數(shù)之間的聯(lián)系，建立性能優(yōu)異的人體行為識(shí)別模型，降低了誤識(shí)率，人體行為識(shí)別結(jié)果更加可靠，如圖3、圖4所示：

圖3 SVM3的人體行為識(shí)別結(jié)果

圖4 本文模型的人體行為識(shí)別結(jié)果

4.2.2 識(shí)別速度比較

對(duì)各種模型的人體行為平均識(shí)別時(shí)間（秒，s）進(jìn)行統(tǒng)計(jì)，結(jié)果如表2示：

表2 不同模型的人體行為識(shí)別效率比較

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

5 總結(jié)

為了提高人體行為的識(shí)別正確率，考慮人體行為識(shí)別存在的一些問(wèn)題，提出一種特征選擇和分類器參數(shù)聯(lián)合優(yōu)化的人體行為識(shí)別模型，仿真實(shí)驗(yàn)結(jié)果表明，相對(duì)于其它人體行為識(shí)別，本文模型可以同時(shí)找到最優(yōu)特征子集和分類器參數(shù)，減少了計(jì)算復(fù)雜度，提高了人體行為識(shí)別的正確率，加快了人體行為識(shí)別速度，具有廣泛的應(yīng)用前景。

參考文獻(xiàn)：

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

[2] 黎洪松,李達(dá). 人體運(yùn)動(dòng)分析研究的若干新進(jìn)展[J]. 模式識(shí)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(jué)的人體運(yùn)動(dòng)分析綜述[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用, 2010,20(2): 245-253.

[6] 白曉平,鄧正宏,王美靖. 基于協(xié)同訓(xùn)練和不變矩特征的人體行為分析[J]. 西北工業(yè)大學(xué)學(xué)報(bào), 2011, 29(6):871-877.

[7] 林春麗,王科俊,李玥. 基于增強(qiáng)能量圖和二維保局映射的行為分類算法[J]. 計(jì)算機(jī)應(yīng)用, 2011, 31(3): 721-744.

[8] 李英杰,尹怡欣,鄧飛. 一種有效的行為識(shí)別視頻特征[J]. 計(jì)算機(jī)應(yīng)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(shí)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(yè)職業(yè)技術(shù)學(xué)院，電子工程系，碩士，助教，研究方向：人體行為識(shí)別，計(jì)算機(jī)應(yīng)用，三維設(shè)計(jì)，南陽(yáng)，473000

陶 琳（1979-)，女，河南工業(yè)職業(yè)技術(shù)學(xué)院，電子工程系，講師，碩士，研究方向：計(jì)算機(jī)應(yīng)用，多媒體技術(shù)，南陽(yáng)，473000