一种基于MHI及支持向量机人体动作识别方法.docVIP

一种基于MHI及支持向量机人体动作识别方法 　　摘要 针对人体动作识别问题，研究了一种基于运动历史图像（Motion History Images，MHI）的人体动作识别方法。利用从运动图像序列获得的MHI图像获取视频帧中运动目标的运动特征，由运动特征的变化分类确定人体动作种类，同时给出相应的实验结果 关键词 人体运动识别；运动历史图像；Hu矩；Zernike矩 DOI DOI： 10.11907/rjdk.162257 中图分类号： TP301 文献标识码： A 文章编号 文章编号：2017）002003603 0 引言 人体运动识别是计算机视觉领域中的一个非常重要的研究课题，在公共场所的视频监控、人流量较大场所的智能安防，以及新兴的虚拟现实、人机交互、人工智能等方面都有十分广阔的应用前景，具有重大的研究意义。基于视频的人体运动识别技术的关键，是通过从视频中提取可靠有效的特征来表征人体的动作姿态，并通过对这些动作进行标记，借助机器学习方法来实现人体动作的识别。姿态识别是人体动作识别的前身，常用方法有两种：第一种是利用传感器制作可穿戴设备，比如戴在身体上的加速度计[1]或装在衣服上的张力传感器[2]，可穿戴传感器的特点是精确直接，但会对肢体运动造成束缚，而且携带不方便，会给用户带来额外的负担，实用性较弱；第二种是利用视觉捕捉技术[3]，例如视频监控图像或者静态图像，通过对视觉数据的处理来提取有用的信息并判断人体的动作。基于视觉捕捉技术在特征表征方面，最直观的方法是采用人体轮廓作为姿势特征表达[45]。但是轮廓特征是从人体整体的角度来描述姿势，忽略了身体各部位的细节变化，不能精确地表示多种多样的人体姿势。有研究[6]采用基于身体部位的姿势表达，即将人体轮廓分成若干个身体部位，例如颈部、躯干和腿等。由于这些姿势特征都是从二维彩色图像中抽取而来，需要克服人体定位、肢体遮挡、不同光照条件对识别的影响等问题。人体动作识别建立在姿态识别的基础上，有关人体动作识别的研究方向一般来讲主要集中在3个方面[7]，分别是人体姿态的结构分析、人体运动目标的跟踪、基于图像序列的人体动作识别 1 基本原理 本文通过获得监控图像的MHI图像的Hu矩和Zernike矩特征进行SVM分类，来实现人体动作识别，该方法的基本过程可以分为4个阶段： （1）运动检测阶段。即从监控视频中提取出每一帧，并通过图像分割方法分离出运动物体。本文采用最常用的背景减除法，同时添加了背景模型的自动更新功能。该方法能够快速有效地分割出运动物体，计算速度较快并且具有良好的自适应能力 （2）MHI图像获取阶段。由于运动历史图像能够很好地描述运动发生的位置、区域，以及运动方向和运动轨迹，利用运动历史图像可以精确地得到运动区域 （3）Hu矩和Zernike矩提取阶段。即有效地提取出这两种全局特征，并进行特征融合 （4）人体动作标记和识别阶段。根据获取出的视频帧的运动历史图像的MHI特征值和MBH特征值，使用SVM分类器分析判断并标记出人体动作的种类 2 运动人体检测 目前使用最广泛最常见的目标检测算法主要有背景减除法、光流法和时间差分法等。时间差分方法[8]一般不能完全提取出所有相关的像素点，而且容易在运动实体内部产生空洞现象。光流法[9]不仅计算方法相当复杂，而且抗噪能力差。本文采用最常用的背景减除方法[10]，该方法实现简单、运算速度快，在大多数情况下检测结果较好。其基本流程包括预处理、背景建模、目标检测、后?理 运动历史图像[11]（Motion History Images for Action Recognition and Understanding）是一种非常巧妙的人体运动的全局描述方法，它利用了连续图像中目标轮廓在空间上的相关性，每个像素值是此像素点上运动时间的方程，每个MHI图像都对应连续时间的连续图像加权叠加的结果。记B（x，y）为运动人体的二值轮廓图像序列，则运动历史图像的计算方法如式（1）所示 hτ（x，y，t）= τ，B（x，y，t）-B（x，y，t-1）≠0max（0，hτ（x，y，t-1）-1），其它 （1） 式中，τ为时间窗口长度，即一个运动视频序列的帧数，表示运动的持续时间。在MHI图像中，当前视频的运动目标轮廓都具有最大的灰度值，是图像中最亮的部分，时间过去越久的轮廓灰度值越低、图像越暗 3 特征提取以及特征融合 3.1 Hu矩 几何矩（Visual Pattern Recognition by Moment Invariants）由Hu在1962年提出，Hu矩利用了二阶和三阶中心矩构造了7个不变矩，是归一化中心矩的不同的线性组合，它们