人体行为特征融合与行为识别分析.docVIP

人体行为特征融合与行为识别的分析 　　摘 要：伴随着信息技术的快速发展，人体行为识别技术逐渐被引入到各领域中，如安防监控、运动分析、医学辅助诊断和智能人机交互等，而技术实现的关键在于借助相关的特征融合方法。文章对人体行为识别的相关技术以及兴趣点提取方法、尺度混合特征模型与MKL方法的应用进行分析，以期对人体行为识别技术的发展起到推动作用。 　　关键词：人体行为识别；特征融合；兴趣点提取；多核学习 　　人体行为识别是近年来学术界研究的焦点，因此有大量相关的识别方法和表达方法不断涌现出来，如行为表达方法中常见的局部时空特征，或于概率潜在语义分析模型中引入几何信息等。值得注意的是，假若在高层语义环境下进行人体行为分析，仅通过底层信息的获取很难保证辨别力，这就要求将融合特征作为分析方案，通过高层特征信息的提取达到识别目标。因此，本文对人体行为识别中特征融合方法的应用分析，具有十分重要的意义。 　　1 人体行为识别相关技术分析 　　1.1 人体行为特征提取 　　关于人体行为特征提取，其目的在于服务于行为识别模型构建，由于不同模型构建在特征提取方式上有一定差异，所以需做好行为特征提取分析。常见的行为特征提取模型主要可细化为：（1）全局特征模型。该模型在检测对象上以整个运动人体为主，又包括不同阶段，如人体结构模型、外观模型与运动特征模型。其中在人体结构模型上，强调检测与跟踪人体关键部位，通过参数化描述各部位姿态；而外观模型，要求在光流法或多帧差分法应用下对人体行为区域检测，可获得更多行为信息；运动特征模型，其可解决前两种方法应用下的计算复杂度高、过多依赖图像处理等问题，更注重借助运动时空兴趣点分析。（2）局部特征模型。该模型下提取的人体行为识别，要求检测与识别运动人体变化显著的部位，包括腿、脚、膝盖等，常见的方式为兴趣点提取，获取的行为识别效果较为理想。 　　1.2 人体行为特征融合 　　在人体行为特征融合方面，提取中既可从时域、空域上着手，同时也能在多传感器应用下进行不同特征的获取。具体表现为：（1）时域视角下的人体行为特征。其注重对人体相关的颜色、纹理、外形与轮廓特征提取，如轮廓方法、剪影方法等。（2）空域视角下的人体行为特征。该方法需对人体历史信息、行为深度提取，可通过对运?有巳さ阒芪?信息分析，实现人体细节特征信息获取目标。（3）人体行为多特征融合。这种方式需结合多种特征，如多底层特征融合、多渠道提取特征融合等，可将单一特征分析人体行为中的不足进行弥补[1]。 　　1.3 人体行为特征识别 　　在人体行为信息提取中，需借助上述特征提取与特征融合方式，但在进行行为所属类别判断中则需通过人体行为识别与分类实现。常见的识别方式主要以模板匹配、词袋模型统计分类和状态空间分类等方法为主。如模板匹配方法，亦可被称之为直接分类方法，可借助近邻分类器完成行为模式分类；而对于词袋模型，侧重于通过概率潜在语义分析模型，完成统计分类；另外，在状态空间分类方法上，需对各静态姿势定义为状态，在切换状态中形成概率关系，最终得到的联合概率可作为分类的根据[2]。 　　2 人体行为识别中兴趣点提取方法的运用 　　2.1 兴趣点提取 　　兴趣点识别方法应用下，主要利用兴趣点局部特征，如肢体部位便可作为某一兴趣点，而不同行为动作在兴趣点上有一定差异，可利用这些差异完成人体行为识别过程。具体进行兴趣点提取中，本文主要结合相应的时空兴趣点检测方法，具体表现在：（1）Harris 3D检测器。由Laptev提出，应用原理表现为在Harris算子应用下，借助自相关函数，使图像某一像素点自相关矩阵被给出，这样所得出的特征值便可用于函数一阶曲率推测，若函数中X，Y方向都有较高的曲率值，说明该特征值为兴趣点。（2）Dollar检测器。作为时空兴趣点检测方法，可弥补Harris 3D检测方法应用下的可靠兴趣点数量不足情况，操作流程体现为时间域上Gabor滤波器的构建、响应函数的构造、结合响应值进行时空兴趣点的筛选。（3）Bregonzio检测器。由于Dollar检测器应用中有背景噪声、人体遮挡等影响，所获取的结果易出现伪兴趣点，此时便引入Bregonzio检测器，操作中能够进行噪声处理，得到可靠的兴趣点[3]。 　　2.2 特征描述 　　在兴趣点行为识别方法中，对于人体行为特征描述，可从3方面表现出来：（1）以外观形状特征进行描述。该方法在既往研究资料中多有体现，强调对人体的外观表现进行描述，原理在于以人的身体躯干比例进行行为分析，如跑步行为、挥手行为，两种行为所展示的长宽比例关系有明显差异，利用该差异可达到特征描述目标；（2）运动特征描述。这种方式主要借助运动信息进行特征描述，如运动速率、运动轨迹等；（3）多特征融合描述。该描述方法在原理上表现为利用