基于模糊神經(jīng)網(wǎng)絡(luò)和圖模型推理的動作識別

趙一丹，肖秦琨，高 嵩

(西安工業(yè)大學(xué) 電子信息工程學(xué)院，陜西 西安 710021)

0 引 言

近年來，人體動作識別研究已經(jīng)成為計算機視覺領(lǐng)域的核心問題。由于人體動作識別在空間上的復(fù)雜性和時間上的差異性，使其在識別研究領(lǐng)域并沒有統(tǒng)一有效的研究框架，所以人體動作識別仍然是一個非常具有挑戰(zhàn)性的課題。

許多動作識別方法側(cè)重于設(shè)計有效的描述符呈現(xiàn)運動特征或提取運動特征，然后通過特征匹配的方法將待識別動作進行分類[1-2]。以往的動作識別主要包含兩類：特征表示和動作分類。根據(jù)文獻[3]了解到，特征表示始終是動作識別過程中的關(guān)鍵任務(wù)。一般而言，運動序列特征的表示通常分為全局特征表示和局部特征表示。全局特征呈現(xiàn)總圖像，但是，全局特征經(jīng)常受到遮擋、視點變化和噪聲的干擾。基于全局的特征表示包括基于光流的呈現(xiàn)[4]、基于剪影的描述符[5]、基于邊緣的特征表示[6]和運動歷史圖像(MHI)[7]等。局部特征描述子可以更有效地呈現(xiàn)動作視頻，尤其是處理噪聲圖像、部分遮擋等復(fù)雜的情況。

有研究人員利用許多常規(guī)方法對人體動作進行分類[1-2,8-9]。比如，文獻[2]提出了一種SVM多類分類器，使用動態(tài)規(guī)劃將運動序列分段。在文獻[1]中，局部描述符被組合成用于動作識別的SVM。在文獻[8]中，使用K-最近鄰分類器來預(yù)測動作標簽。然而，這些常規(guī)的識別方法難以及時捕獲動態(tài)時空序列信息。

除了常規(guī)的分類器方法，還有條件隨機場(CRF)[10]、隱馬爾可夫模型(HMM)[11]、動態(tài)貝葉斯網(wǎng)絡(luò)(DBN)[12]等基于圖模型的多序列標注模型是識別動作的有效工具，適用于建模和分析人類行為。在文獻[13]中，也提出利用線性圖序列模型來構(gòu)建語義和動作識別的非線性映射。

在上述研究的基礎(chǔ)上，文中提出了一種復(fù)雜視頻序列語義識別的圖模型結(jié)構(gòu)。基于以下三點考慮這一問題：(1)為了減少動作視頻維度和識別時間，采用模糊c-均值(fuzzy c-means，F(xiàn)CM)聚類方法[14-16]獲得關(guān)鍵幀。所選擇的辨別功能比原始功能具有更好的性能。基于FCM，從原始動作視頻獲得更好的辨別功能。(2)為了提高魯棒性，考慮使用層次圖模型進行動作語義識別，基本識別級別是基于模糊神經(jīng)網(wǎng)絡(luò)的關(guān)鍵幀動作識別，較高的識別級別是基于概率圖模型將關(guān)鍵幀動作序列進行分類。(3)同時，還發(fā)現(xiàn)概率圖模型是挖掘隱藏狀態(tài)信息的有效途徑[17-19]。DBN是目前呈現(xiàn)隨機時間序列信號很有效的工具，因此，選擇模糊神經(jīng)網(wǎng)絡(luò)圖模型(FNNGM)來呈現(xiàn)人體動作。基于圖模型的信號處理可以完成三個任務(wù)：一是完全清楚地呈現(xiàn)動作；二是挖掘更多隱藏的語義信息；三是在此基礎(chǔ)上，將高級語義分析和圖模型結(jié)合起來，以獲得有效的動作表示。

1 檢索算法

1.1 算法概述

所提出的算法在圖1中給出了圖解說明，該算法那分為系統(tǒng)學(xué)習(xí)和動作識別兩個階段。在系統(tǒng)學(xué)習(xí)階段，首先提取運動數(shù)據(jù)集中動作的幀圖像。其次，使用模糊c-均值聚類算法對幀圖像進行聚類獲取運動的關(guān)鍵幀。設(shè)計了一個模糊神經(jīng)網(wǎng)絡(luò)分類器來識別關(guān)鍵幀的運動姿態(tài)，關(guān)鍵幀標記的姿態(tài)特征數(shù)據(jù)集被用作教師信號來訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)。最后，使用模糊神經(jīng)網(wǎng)絡(luò)圖模型的概率圖模型對關(guān)鍵幀序列進行分類。文中設(shè)計的圖模型是基于隱馬爾可夫模型和模糊神經(jīng)網(wǎng)絡(luò)的組合。在動作識別階段，自動提取待識別動作的關(guān)鍵幀特征，然后使用FNNGM推理算法得到動作語義分類結(jié)果。

圖1 算法流程

1.2 系統(tǒng)學(xué)習(xí)

通過系統(tǒng)學(xué)習(xí)來構(gòu)建和訓(xùn)練FNNGM模型，從而進行人體運動序列動作識別。

1.2.1 運動序列預(yù)處理

首先，采用FCM通過聚類獲取關(guān)鍵幀[20-22]。假設(shè)獲取的一個動作其關(guān)鍵幀運動序列為{rfi}i=1,2,…,k，其中rfi表示第i個運動關(guān)鍵幀特征。可以使用s維四元數(shù)矢量rfj=(x1,x2,…,xn)來描述身體姿態(tài)。文中考慮在骨架中使用26個關(guān)節(jié)狀態(tài)信息來呈現(xiàn)身體姿態(tài)，每個關(guān)節(jié)采用一個四元數(shù)描述符(1×4)進行描述，其中n=26×4=104。

其次，基于所有動作關(guān)鍵幀訓(xùn)練數(shù)據(jù)集。首先建立動作語義集S={S1,S2,…,Sω}。然后關(guān)鍵幀動作通過K-means進行姿態(tài)聚類以形成相似運動姿態(tài)集合G={G1,G2,…,Gq}，其中q是聚類組的個數(shù)。

1.2.2 使用FNN對關(guān)鍵幀進行識別

一般而言，動作語義是由不同關(guān)鍵幀組合決定的，這意味著不同的身體姿態(tài)組合代表不同的動作語義。文中首先構(gòu)建一個T-S模糊神經(jīng)網(wǎng)絡(luò)模型，來識別由每個關(guān)鍵幀確定的身體姿態(tài)語義，此外，使用概率圖推理來分類動作序列語義。使用數(shù)據(jù)(rfi,Gj),i=1,2,…,n,j=1,2,…,p對FNN進行訓(xùn)練，具體過程如下：

T-S模糊系統(tǒng)具有較強的適應(yīng)性能，并且能夠自我更新，所以可以自動地修改模糊子集的隸屬函數(shù)。T-S模糊系統(tǒng)的使用遵循“if-then”規(guī)則，規(guī)則如下：

if

then

假定輸入rfi=(x1,x2,…,xn)，則根據(jù)模糊規(guī)則可計算xj的模糊隸屬度為：

(1)

則rfi的模糊隸屬度計算公式為：

(2)

同時，輸出yi計算為：

(3)

T-S模糊神經(jīng)網(wǎng)絡(luò)分為四層，包括輸入層、模糊層、模糊規(guī)則層和輸出層。在輸入層中沒有計算操作，在模糊層使用式1計算模糊隸屬度，然后根據(jù)式2得到規(guī)則推理結(jié)果，最終通過式3計算輸出。FNN訓(xùn)練包括以下三個步驟：

(1)誤差計算。

(4)

其中，yd是期望輸出；yc是實際輸出；e是期望輸出與實際輸出之間的誤差。

(2)系數(shù)修正。

(5)

(3)參數(shù)修正。

(6)

1.3 圖模型和推理

1.3.1 圖模型構(gòu)建

FNNGM模型如圖2所示。

圖2 用于動作識別的FNNGM圖模型結(jié)構(gòu)

該模型包括三層：最低層是測量信號層，從最低層輸入RF序列((rf1,rf2,…,rfk))；中間層是運動姿勢層，在這一層呈現(xiàn)由FNN推斷的離散姿勢狀態(tài)信號((g1,g2,…,gk))；最高層是動作語義層，根據(jù)中間層和最低層的信息，在該層中計算最終動作語義((s1,s2,…,sk))。

(7)

其中，S={S1,S2,…,Sw}和G={G1,G2,…,Gp}分別是動作語義集和相似姿態(tài)集合。

基于S和G中的rfi數(shù)量，計算圖模型參數(shù)。首先，先驗概率的計算為：

(8)

其中，nrf∈Si為屬于語義Si的關(guān)鍵幀數(shù)；nrf為訓(xùn)練數(shù)據(jù)集中所有關(guān)鍵幀的數(shù)量。

其次，估計語義交易可能性aij：

(9)

其中，nSj|Si表示訓(xùn)練數(shù)據(jù)中從rft(rft∈Si)到rft+1(rft+1∈Sj)相鄰鏈接的數(shù)目；nS|Si表示訓(xùn)練數(shù)據(jù)中從rft(rft∈Si)到rft+1(rft+1∈Sj，S所有可能的語義)的鄰接鏈路的數(shù)量。

(10)

其中，nGj|Si表示訓(xùn)練數(shù)據(jù)中rft(rft∈Si∩Gj)的數(shù)目；nSi表示訓(xùn)練數(shù)據(jù)中rft(rft∈Si)的數(shù)量。

基于初始參數(shù)估計，進一步使用Baum-Welch算法優(yōu)化參數(shù)，對數(shù)似然值對應(yīng)于參數(shù)學(xué)習(xí)的全局收斂性能，當對數(shù)似然值變得穩(wěn)定時，意味著參數(shù)收斂到最優(yōu)值。

1.3.2 圖模型推理

基于所構(gòu)建的FNNGM圖模型結(jié)構(gòu)進行圖模型推理，對動作語義序列進行分類。將{rf1:k}作為一個測量的圖模型。系統(tǒng)狀態(tài)序列為S={s1:k}和G={g1:k}，基于圖模型推理的動作識別描述如下：

給定檢測量{rf1:k}，以更新隱藏狀態(tài)信號S={s1:k}和g={h1:k}。首先，根據(jù)貝葉斯規(guī)則，計算P(s1)：

(11)

將s0和P(s1|s0)設(shè)置為初始系統(tǒng)輸入，因此,根據(jù)式8、9、11可以得到P(s1)。

接下來，預(yù)測C使用檢測量更新為：

(12)

同時，確保α的輸出結(jié)果在區(qū)間[0,1]中。此外，通過測量結(jié)果，濾波方程可以重新寫為：

P(s1+t|g1:1+t,rf1:1+t)=

P(s1+t|rf1+t,rf1:t)P(s1+t|g1+t,g1:t)=

αP(rf1+t|s1+t,rf1:t)

(13)

基于濾波方程(式13)，進一步得到最大可能狀態(tài)路徑：

(14)

最終獲得語義序列最大可能性狀態(tài)值。

2 實 驗

為了評估所提出的動作識別方法的性能[23]，構(gòu)建了一個人體運動數(shù)據(jù)庫，包括360個不同的動作剪輯。動作剪輯大致分為20個動作語義組，這里選用四元數(shù)描述符[24]來呈現(xiàn)身體運動姿態(tài)。文中采用26個骨骼關(guān)節(jié)[25]呈現(xiàn)身體運動姿態(tài)，因此得到104維(26×4=104)的四元數(shù)描述符。

使用FNNGM模型來實現(xiàn)動作序列數(shù)據(jù)分類。利用兩個評價標準以評估提出方法的性能。幀精度計算如下：

(15)

由于運動數(shù)據(jù)集中的視頻被分割，每個視頻中只有一種動作[26]。每個預(yù)測序列中的類標簽通過多數(shù)表決計算。基于上述，視頻精度可以計算如下：

(16)

所有的比較方法可以分為兩類：(1)包含CRF的序列模型、條件隨機場(CRF)與單隱層神經(jīng)網(wǎng)絡(luò)(NNCRF)耦合的序列模型；(2)包含支持向量機(SVM)的非序列模型、單隱層神經(jīng)網(wǎng)絡(luò)的非序列模型。對基于幀的樣本進行非序列模型訓(xùn)練。SVM模型是具有線性內(nèi)核的多類SVM模型。作為非線性模型，神經(jīng)網(wǎng)絡(luò)用一個隱層進行訓(xùn)練。對于序列模型，選擇標準線性鏈CRF作為基線方法之一。選擇非線性鏈NNCRF作為非線性序列模型的基線。使用一個隱藏層，枚舉隱藏節(jié)點的數(shù)量。在線性鏈CRF和非線性NNCRF方法中都加入正則化術(shù)語，以避免在訓(xùn)練過程中過度擬合。調(diào)整正則化參數(shù)[27]，并通過交叉驗證調(diào)整正則化的參數(shù)。將提出的方法在兩種配置下進行測試。

動作識別示例如圖3所示。其中，圖(a)是動作的“cartwheelLHandStart1Reps”插圖，圖(b)是HMM參數(shù)學(xué)習(xí)的對數(shù)似然-時間圖(loglik-time)。基于先驗知識估計初始參數(shù)，然后使用Baum-Welch算法優(yōu)化參數(shù)，對數(shù)似然值對應(yīng)于參數(shù)學(xué)習(xí)的全局收斂性能，當對數(shù)似然值變得穩(wěn)定時，意味著參數(shù)收斂到最優(yōu)值。圖(c)是HMM參數(shù)矩陣，參數(shù)為λ=(πS,AS,BG,Brf),因為Brf包含太多參數(shù)，只將πS,AS和BG組合成一個大矩陣在(c)中顯示。其中，πS為1×20的矩陣，對應(yīng)于20個動作語義；AS為20×20的矩陣；BG為20×25的矩陣，對應(yīng)于20個動作語義中的25個待識別姿勢組。圖(d)是FNNGM的對數(shù)概率矩陣，對應(yīng)于圖模型推理對數(shù)概率值，在運動數(shù)據(jù)集中，動作“cartwheelLHandStart1Reps”包含21個樣本，前50%樣本為訓(xùn)練數(shù)據(jù)，其余樣本為檢測數(shù)據(jù)。檢測數(shù)據(jù)的識別結(jié)果如圖(d)所示，矩陣中的每一行對應(yīng)于動作樣本與不同F(xiàn)NNGM模型之間的匹配概率。在實驗中，由于動作“carwheelLHandStart1Reps”在數(shù)據(jù)集中被標注為數(shù)字#1動作語義組，從識別結(jié)果看出，第一列具有最高匹配概率值。

同時，為了評估FNNGNM動作識別模型的識別性能，將其與基于構(gòu)建框架的其他方法進行比較，結(jié)果如表1所示。從中可以得出以下結(jié)果：線性序列模型(CRF)優(yōu)于線性支持向量機(SVM)，表明結(jié)構(gòu)依賴對于動作識別很重要；(2)非線性模型比線性模型獲得了更好的性能；(3)通過將CRF與隱藏層相結(jié)合，NNCRF模型進一步提高了標準CRF的性能；(4)所有三個特征函數(shù)的組合比標準CRF特征函數(shù)組合有更好的性能。因此，可以得出結(jié)論，文中方法得到的識別結(jié)果精度最佳。

圖3 FNNGM模型動作識別示例

表1 與現(xiàn)有方法的比較結(jié)果 %

3 結(jié)束語

提出了一種新的基于圖模型和模糊神經(jīng)網(wǎng)的動作識別方法。構(gòu)建了一個新的基于圖模型的動作識別模型，該模型將模糊神經(jīng)網(wǎng)絡(luò)和概率圖模型推理有效地結(jié)合起來，并采用基于遞歸的方法識別視頻動作數(shù)據(jù)。基于貝葉斯規(guī)則、圖模型等理論，提出了基于概率的遞歸計算結(jié)構(gòu)，以獲得較高的動作識別精度。通過與現(xiàn)有模型進行比較，驗證了該算法具有良好的精確性和有效性。