摘 要：運(yùn)動(dòng)人體識(shí)別模式識(shí)別領(lǐng)域的研究熱點(diǎn)。目標(biāo)在運(yùn)動(dòng)過(guò)程中產(chǎn)生的時(shí)間域和空間域的形變可提供重要的識(shí)別信息。本文提出一種基于統(tǒng)計(jì)形狀分析的識(shí)別方法，用Kendall形狀模型來(lái)描述幀間提取的人體輪廓，并應(yīng)用隱馬爾科夫模型（HMM）來(lái)捕捉目標(biāo)時(shí)空域上的形變信息。由于傳統(tǒng)HMM框架下，隱藏狀態(tài)與訓(xùn)練數(shù)據(jù)相互正交，給學(xué)習(xí)過(guò)程帶來(lái)很大困難。由此提出一種非參數(shù)HMM模型，用非參數(shù)核密度估計(jì)算法來(lái)學(xué)習(xí)觀測(cè)概率分布，以補(bǔ)償隨機(jī)隱藏狀態(tài)造成的不確定性，優(yōu)化了HMM訓(xùn)練過(guò)程。最后對(duì)此方法進(jìn)行了實(shí)驗(yàn)分析。

關(guān)鍵詞：運(yùn)動(dòng)識(shí)別；統(tǒng)計(jì)形狀分析；隱馬爾科夫模型；非參數(shù)估計(jì)算法

中圖分類(lèi)號(hào)：TP391.4

目前，基于視覺(jué)的運(yùn)動(dòng)人體識(shí)別是計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)。許多綜合性研究中都涉及到這一領(lǐng)域[1][2]。運(yùn)動(dòng)識(shí)別可以簡(jiǎn)單定義為對(duì)隨時(shí)間變化的特征數(shù)據(jù)進(jìn)行分類(lèi)。基于視覺(jué)的運(yùn)動(dòng)識(shí)別，存在4個(gè)基本問(wèn)題：（1）從原始圖像中提取什么樣的抽象特征用于識(shí)別，即特征選擇；（2）如何描述提取的特征，即特征描述；（3）如何從被描述的特征中學(xué)習(xí)運(yùn)動(dòng)信息，即模式學(xué)習(xí)；（4）如何在參照運(yùn)動(dòng)信息和未知序列間進(jìn)行相似度匹配，即模式分類(lèi)。

本文提出一種基于視覺(jué)的運(yùn)動(dòng)人體識(shí)別方法，利用運(yùn)動(dòng)目標(biāo)時(shí)空形狀的變化來(lái)識(shí)別目標(biāo)的運(yùn)動(dòng)。把人體輪廓選定為抽象特征，輪廓特征從原始圖像數(shù)據(jù)幀間提取。我們將應(yīng)用Kendall形狀模型[3]來(lái)描述人體輪廓[4]，對(duì)Kendall形狀模型進(jìn)行Procrustes形狀分析，構(gòu)造線性正切空間。人體的內(nèi)在運(yùn)動(dòng)信息隱藏在人體輪廓的時(shí)空變形之中，為提取這些信息，我們提出一種非參數(shù)的隱馬爾可夫模型（HMM）方法，使用連續(xù)輸出的多狀態(tài)HMM以捕捉訓(xùn)練數(shù)據(jù)的動(dòng)態(tài)變化信息。

1 統(tǒng)計(jì)形狀分析

2 非參數(shù)HMM方法

運(yùn)動(dòng)人體識(shí)別中，運(yùn)動(dòng)行為一般會(huì)產(chǎn)生相互正交的兩種形式的變化：（1）時(shí)間形式的變化：基于人體運(yùn)動(dòng)的快慢；（2）空間形式的變化：基于人體的物理特征。一般地，傳統(tǒng)HMM學(xué)習(xí)人體概率模型的方法是在空間域上把訓(xùn)練數(shù)據(jù)分成不同聚類(lèi)，找出每一類(lèi)中具有代表性的樣本，并保證這些樣本可以輕易地轉(zhuǎn)化成其所在類(lèi)的其他數(shù)據(jù)。因此，對(duì)動(dòng)態(tài)模型的學(xué)習(xí)依賴(lài)于每個(gè)聚類(lèi)的樣本。而運(yùn)動(dòng)人體的聚類(lèi)樣本分布于時(shí)間域和空間域上，不同域的樣本相互正交，難以統(tǒng)一分析。為解決這一問(wèn)題，我們應(yīng)用文獻(xiàn)[5]的方法：提出一種替代的概率模型，削弱動(dòng)態(tài)模型與樣本間的關(guān)聯(lián)。在該方案下，隱藏狀態(tài)是與樣本相獨(dú)立的抽象變量集，而訓(xùn)練數(shù)據(jù)則可以作為樣本。

3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)主要學(xué)習(xí)了一些簡(jiǎn)單的人體動(dòng)作，如走、跑、跳、坐、蹲、跌倒等等。這些包含了常人日常生活的大部分動(dòng)作。本方法中，用隱馬爾科夫模型（HMM）對(duì)運(yùn)動(dòng)進(jìn)行建模，HMM參數(shù)的訓(xùn)練應(yīng)用第3章的方法。

4 小結(jié)

本文提出一種學(xué)習(xí)動(dòng)態(tài)形狀的運(yùn)動(dòng)人體識(shí)別方法。目標(biāo)運(yùn)動(dòng)中產(chǎn)生的時(shí)間和空間域的形變能夠提供大量的運(yùn)動(dòng)信息，本文應(yīng)用Kendall形狀理論構(gòu)建了線性形狀空間，利用隱馬爾科夫模型（HMM）對(duì)動(dòng)態(tài)形狀建模，在HMM學(xué)習(xí)過(guò)程中提出了一直非參數(shù)密度估計(jì)方法，通過(guò)更新觀測(cè)概率分布，對(duì)隱藏狀態(tài)引入的不確定性進(jìn)行補(bǔ)償。該系統(tǒng)對(duì)運(yùn)動(dòng)人體識(shí)別中動(dòng)態(tài)形狀的學(xué)習(xí)具有很好的效果。

參考文獻(xiàn)：

[1]韓彥芳.機(jī)器視覺(jué)中的聚類(lèi)檢測(cè)新方法[D].上海：上海交通大學(xué)，2006：54-55.

[2]I. L. Dryden andK. V.Mardia. Statistical Shape Analysis.John Wiley，1998.

[3]黃彬，田國(guó)會(huì)，李曉磊.利用輪廓特征識(shí)別人的日常行為[J].光電子激光，2008，19（12）：1686-1689.

[4]李政文，王衛(wèi).基于Mumford Shah模型的參數(shù)估計(jì)和兩階段圖像分割方法[J].電子學(xué)報(bào)，2006，34（12）：2242-2245.

[5]D.Gavrila.The visual analysis of human movement：A survey.Computer Vision and Image Understanding，1999.

作者簡(jiǎn)介：李鵬（1989.04-），男，山東人，在讀研究生，碩士，研究方向：安全技術(shù)及工程。

作者單位：中國(guó)人民公安大學(xué)，北京 102612