人体行为理解进展研究论文.pdfVIP

第3l卷计算机专辑 南京师大学报(自然科学版)Vd．31 c0呷uterScience盹m印曲 OF Natural 2008年12月 JOURNALNANJINGNORMAL【烈IⅥ强SITYfScience)Dec．2008 人体行为理解进展研究 卢 晨，王辉，张广泉 (苏州大学计算机科学与技术学院，江苏苏州215006) [摘要]人体行为理解是将人体的姿势或动态行为与预先训练好的动作模板进行模式识别和匹配，并用自然语言等描述出 来．本文对人体行为理解的研究历史和发展情况做了概述，总结了3种常用的技术方法：基于模板匹配、基于状态空间和基于语 义描述的方法，并对它的研究难点和发展趋势进行了简要的分析． [关键词]人体行为理解，模板匹配，状态空间，语义描述 近20多年来人体运动的计算机视觉分析研究技术得到了突飞猛进的发展，已经成为计算机视觉领域 的研究热点．其中人体行为理解是近年来受到广泛关注的前沿方向．它是将人体的姿势或动态行为与预先 训练好的动作模板进行模式识别和匹配，并用自然语言等描述出来． 1研究现状 人体行为理解可以认为是处理时变数据的过程，即从按时间排列的一系列关键帧中选取用于描述人 体静态姿势的参数，和预先定义的动作模板匹配，从而让计算机用自然语言描述人体的行为． 人体行为理解所采用的技术主要分以下3种： 1．1基于模板匹配的方法 基于模板匹配的方法是将图像序列转换成一组静态形状模式，然后将它和预先存储的动作样本进行 比较，在比较数据可以有轻微变化的条件下识别人体行为． JohanssonG首先提出MLDs(Moving LightDisplays)…，它是在穿着黑色衣服的演员的关节处装上发 光装置，用每个光源在图像序列中的位置变化来识别人体的动作含义．这一技术在20世纪90年代被广泛 应用于模仿现实人物的动作来制作动画人物的行为．PolanaR和NelsonR采用被普遍使用的2D网格的 特征方法进行人体行为识别¨·． Bobiek A和Davis J采用运动能量图(MEI)和运动历史图(MHI)来描述图像序列中人体的行为∞吲． MEIs和MHIs是2D的动作模板，DanielW等提出了将2D推广到3D动作模板的MHV(Motion History Volumes)[6j．它采用在圆柱形中沿垂直轴的傅立叶变换对人体行为进行分割、分类、识别．但是问题依然 存在，对未知动作的建模可能需要不止一个初始化和分类，因此一般的未知动作的多分类和直接学习变得 相当重要，而且，很多行为不能用一个模板建模． 模板匹配的方法计算复杂度低、操作和实现简单，但是它对噪声以及和运动时问间隔的变化相当 敏感． 1．2基于状态空间的方法 基于状态空间的方法是将图像序列中的每个静态动作作为一个状态，这些状态之间由给定的概率联 系起来．任何的动作序列可以认为是这些静态动作在不同状态中的一次遍历过程，计算这个遍历过程的联 合概率，取其最大值作为分类标准．基于状态空间的方法已经被广泛应用于预测、估计和检测时间序列． Markov 其中最典型的是隐马尔可夫模型HMMs(HiddenModel)川(如图l，节点表示模型的隐状态， 连线表示转移概率，vi表示每一隐状态的可见状态)，它是将用于识别的特征(特征点、线、2D小区域等) 作为静态动作的状态． Brand 基金项目：江苏省高校自然科学基金(05KJB520119)资助项目 ．--——48·—-—— 卢晨，等：人体行为理解进展研究 HMMs HMMs(HMMs)、Linked 概率．作者将它和S