基于DTW的人體行為模式識別算法
來源:用戶上傳
作者:
摘要 針對人體行為模式識別問題，本文提出了一種基于動態時間規整的模式識別算法。首先根據動作視頻序列進行人體行為學習，生成待匹配的模板信息，對待識別的動作序列進行相似想度量，獲取相似性信息，然后使用動態時間規整對待識別模板數據間的相似性進行計算，選取相似性度量最大的模板，從而完成對視頻序列人體行為模式的分類識別。
【關鍵詞】動態時間規整模板匹配相似性度量人體行為識別
隨著攝像頭等監視工具的應用，人體行為模式識別受到廣泛的關注。人體行為模式識別主要面臨著識別精度以及實時性的問題，本文提出了基于動態時間規整的人體行為模式識別算法，能夠準確的識別出人體行為，相比于模板匹配算法有很大的提升。
1 模板匹配
模板匹配就是把不同傳感器（通常是攝像頭）或同一傳感器在不同時間和環境下對固定場景拍攝的兩幅或多幅圖像進行處理，并將圖像規整到統一的空間尺度，在相同尺度空間中查找對應模式的方法。本文中的DTW就是一種添加了時序約束的模板匹配方法。
模板匹配算法的基本思想：首先根據已知視頻序列生成模板，然后對模板與圖像對應區域進行相似性度量，相似性超過給定閾值就認為匹配，否則就匹配失敗。模板匹配需要大量計算模板間的相似性，因此需要在匹配過程中選擇合適的相似性度量公式和匹配方法，從而提高算法的整體效率。
2 行為學習
將不同人的行走、奔跑、跳躍等不同動作利用輪廓提取算法，得到多組輪廓后，分類存儲，每一個視頻動作序列都可以使用一組數據來表示，通過數據的變化來反映該動作的姿態變化，從而描述一個動作。在學習過程中，學習樣本越多，得到的模板數據就更準確，模板匹配的概率就越大，但隨之而來的是計算時間的加長。圖1反映的是人體不同動作模式下的姿態數據變化趨勢。
3 相似性度量
匹配比對算法離不開相似性度量，需要使用“距離”的概念來衡量兩組數據的相似度，應用較為廣泛的距離描述方式主要有：切比雪夫距離、歐氏距離、信息熵和夾角余弦等，需要根據不同需求采取相應的描述方法。
本文中算法考慮到算法的運行效率，采取向量夾角余弦來進行距離度量，對應公式如下其中x1k，x2k分別表示向量的坐標。兩組向量夾角越小，余弦值越大，相似度越高，通過使用夾角余弦的計算方法，極大降低了算法的時間和空間復雜度，提高了算法的計算速度效率。
4 動態時間規整
使用模板匹配算法進行行為識別雖然比較簡單，但是算法執行過程中會由于視頻序列的時長不同產生誤差，而且行為持續的時間也會對識別效果產生影響，因此本文提出了基于動態時間規整DTW（Dynamic Time Warping）算法來解決時序性的影響，只要時間次序約束存在，模板間的動作時間序列即便不一致，也不會影響算法的結果，提高了算法對時間序列的魯棒性。
本文提出的人體行為識別算法主要步驟描述如下：
（1）將學習樣本按動作分成不同小組，并且按順序編號，每個小組學習了若干個人的動作數據.
（2）使用DTW計算待測數據的第一幀與第一組中第一個動作數據的所有幀的相似性，找到相似度最高的一幀并記錄相似度度量值.
（3）等間隔采樣若干幀，重復步驟（2），求出所有相似性度量值的平均值并記錄.
（4）把待測數據采用步驟（2）（3）方法，計算其他小組的相似性平均值.
（5）比對待測數據與各組相似性平均值的大小，取最大的作為本次分類結果，分類識別完成.
本文算法將動態時間規整與模板匹配算法相結合，在學習階段生成模板，識別過程中使用動態時間規整提高識別準確性。
5 實驗結果
本文使用網上的數據集，包含基本的人體行為類別，行走，奔跑，跳躍，揮手，跳遠等動作，通過數據集進行模板生成與動作識別。本文算法與模板匹配算法的準確度比較如表1。
通過表1可知，在對上述的人體動作進行識別時，本文的算法準確性要優于模板匹配方法，而且識別準確度受到人體行為的復雜度以及動作幅度的影響，簡單的人體行為，如行走、揮手，識別的準確性較高，而在奔跑，跳躍，跳遠等較為復雜的行為中，識別的準確性就較差。
6 總結
本文提出了基于動態時間規整的人體行為識別算法，相比于傳統的模板識別算法，本文算法的準確性更高。但在處理十分復雜的人體行為時，本文算法的準確性并不明顯，需要進一步的研究與優化。
參考文獻
[1]邵延華，郭永彩，高潮.基于特征融合的人體行為識別[J].光電子激光，2014，25（09）：1818-1823.
[2]史東承，馮占君.視頻中人體行為分析[J].吉林大學學報（信息科學版），2014（05）：521-527.
[3]趙海勇.基于視頻流的運動人體行為識別研究[D].西安電子科技大學，2011：15-18.
轉載注明來源:http://www.hailuomaifang.com/1/view-14841877.htm
