劉 飛，郝礦榮，b，丁永生，b，劉 歡

(東華大學(xué)a.信息科學(xué)與技術(shù)學(xué)院;b.數(shù)字化紡織服裝技術(shù)教育部工程研究中心，上海 201620)

1 概述

人們?cè)谂c外界進(jìn)行交互的過程中，除了通過語言交流，還常常借助肢體語言，即通過動(dòng)作行為傳遞信息。計(jì)算機(jī)視覺的研究目標(biāo)之一就是理解人體動(dòng)作行為的含義。人體行為識(shí)別分析從低到高可分為3 個(gè)層次:姿態(tài)識(shí)別，動(dòng)作識(shí)別，行為識(shí)別。姿態(tài)識(shí)別是動(dòng)作行為分析的基礎(chǔ)。動(dòng)作可以看作是一組關(guān)鍵姿態(tài)的時(shí)間序列。復(fù)雜的行為可分解為一組簡(jiǎn)單的動(dòng)作，其中也包含了與周圍環(huán)境的交互。在人體動(dòng)作識(shí)別研究中，通?？紤]2 個(gè)主要問題:傳感器的數(shù)據(jù)采集和人體動(dòng)作的建模?，F(xiàn)有的大部分文獻(xiàn)中采用普通攝像機(jī)獲取二維圖像，文獻(xiàn)［1］提取人體輪廓的形狀信息建立姿態(tài)模型，文獻(xiàn)［2］提取視頻圖像中時(shí)空興趣點(diǎn)并設(shè)計(jì)了級(jí)聯(lián)分類器進(jìn)行動(dòng)作識(shí)別，而文獻(xiàn)［3］雖然也提取輪廓信息，但采用了差分圖像傳感器簡(jiǎn)化了背景分割的圖像預(yù)處理工作，從硬件上提高了算法的實(shí)時(shí)性。

然而，動(dòng)作識(shí)別研究仍面臨諸多問題。例如，復(fù)雜背景下人體的定位與跟蹤，雖然可以通過背景建模分割人體，但不同的光照環(huán)境仍會(huì)影響分割效果;二維圖像中人體運(yùn)動(dòng)過程中的自遮擋現(xiàn)象，這大大限制了基于單目攝像機(jī)動(dòng)作識(shí)別的性能;對(duì)于多目攝像機(jī)而言［4-5］，雖然它能解決遮擋問題并且具有視角不變性、提高識(shí)別準(zhǔn)確率等優(yōu)勢(shì)，卻也面臨著復(fù)雜的數(shù)據(jù)融合等圖像后處理工作，而且昂貴的儀器設(shè)備也是無法忽略的問題。

近兩年來，基于深度圖像的動(dòng)作識(shí)別研究得到了廣泛關(guān)注［6-9］。首先，深度圖像提供空間深度數(shù)據(jù)，對(duì)環(huán)境中的顏色、紋理和光照不敏感，可以很好地應(yīng)對(duì)復(fù)雜背景。此外，相對(duì)二維圖像，深度圖像包含了豐富的三維空間信息。本文方法正是基于深度圖像，從中提取有用信息進(jìn)行人體動(dòng)作的識(shí)別。

2 基于3D 骨架的特征提取

人體的骨架模型不僅包含了形狀信息，還包含了物體的結(jié)構(gòu)拓?fù)湫畔?。如果能從深度圖像準(zhǔn)確提取并跟蹤關(guān)節(jié)點(diǎn)，就可以構(gòu)建出3D 人體骨架，文獻(xiàn)［10］表明可以從單一深度圖像實(shí)時(shí)地進(jìn)行姿態(tài)估計(jì)和識(shí)別人體關(guān)節(jié)點(diǎn)。本文利用微軟的Kinect 設(shè)備對(duì)動(dòng)作進(jìn)行捕捉，相對(duì)于其他深度圖像采集設(shè)備，Kinect 在姿態(tài)估計(jì)有較強(qiáng)的優(yōu)勢(shì)［11］，利用它可獲取20 個(gè)空間骨架關(guān)節(jié)點(diǎn)，如圖1 所示。

圖1 Kinect 骨架關(guān)節(jié)點(diǎn)示意圖

2.1 靜態(tài)姿態(tài)的關(guān)節(jié)角度特征

人體動(dòng)作識(shí)別本質(zhì)是一個(gè)模式分類問題，那么就可以從特征提取和分類器設(shè)計(jì)2 個(gè)方面去解決。根據(jù)文獻(xiàn)［12］的啟發(fā)，若將人體骨架視作剛體，四肢運(yùn)動(dòng)過程中的空間位置是由運(yùn)動(dòng)關(guān)節(jié)旋轉(zhuǎn)特性決定的。因此，分析靜態(tài)姿態(tài)下骨架的關(guān)節(jié)角度特征，如圖2(a)所示。本文著重研究肩、肘、髖、膝關(guān)節(jié)和軀干這些占主導(dǎo)的運(yùn)動(dòng)因素，忽略手和腳等細(xì)節(jié)部分。

按照關(guān)節(jié)自由度的大致劃分，肩和髖關(guān)節(jié)是3-DOF，本文用局部球坐標(biāo)系表示，具體變量定義如圖2(b)所示。矢量Or 代表人體正面朝向，矢量Ov代表某一肢體指向的空間方向，矢量Or'和矢量Ov'表示其在水平面π 上的投影。按照球坐標(biāo)系的定義，方位角定義為Or'逆時(shí)針到Ov'的角度θ，仰角定義為Ov 到ON 的角度φ，所以肩和髖關(guān)節(jié)角度特征定義為Shoulder＆Hip={θ，φ}。

圖2 關(guān)節(jié)角度特征

對(duì)于肘和膝關(guān)節(jié)而言，由于骨架模型無法體現(xiàn)肢體的自身旋轉(zhuǎn)特性，因此自由度是1-DOF，并在圖3所示的平面定義其角度特征，即Elbow＆Knee={α}。在特征表示中，不使用徑向距離，使得人體特征具有尺度不變性。

圖3 肘和膝關(guān)節(jié)角度所在平面示意圖

此外本文也考慮了人體運(yùn)動(dòng)在冠狀面和矢狀面的傾斜角度Co＆Sa={β}，因此本文定義的人體關(guān)節(jié)角度為:其中，L/R 表示Left/Right;S/E/H/K 分別表示肩/肘/髖/膝;Co/Sa 表示冠狀面和矢狀面，即一組16 維特征向量。

2.2 人體運(yùn)動(dòng)特征

動(dòng)作可視作一系列靜態(tài)姿態(tài)的組合，這意味著動(dòng)作的表達(dá)具有時(shí)間持續(xù)屬性。在人體運(yùn)動(dòng)過程當(dāng)中，關(guān)節(jié)角度會(huì)隨著時(shí)間變化產(chǎn)生關(guān)節(jié)角度變化曲線，即關(guān)節(jié)角度時(shí)間序列。如同人體運(yùn)動(dòng)過程中四肢末端的運(yùn)動(dòng)軌跡一樣，該關(guān)節(jié)角度曲線可以反映動(dòng)作的變化趨勢(shì)。本文采用關(guān)節(jié)角度時(shí)間序列作為人體運(yùn)動(dòng)特征，假設(shè)某一動(dòng)作的持續(xù)時(shí)間為T，則運(yùn)動(dòng)特征定義為:

其中，Ai行向量表示某一關(guān)節(jié)角度的時(shí)間序列;M(M∈［1，16］)表示式(1)定義的特征數(shù)量，可根據(jù)實(shí)際需求選擇部分或全部特征。

3 分類器設(shè)計(jì)

行向量Ai可以視作時(shí)變的一維信號(hào)，從而動(dòng)作識(shí)別可以簡(jiǎn)單地看作是時(shí)變特征數(shù)據(jù)的分類問題。通過大量實(shí)驗(yàn)數(shù)據(jù)分析發(fā)現(xiàn)，在允許測(cè)試者運(yùn)動(dòng)自由性存在的情況下:同一動(dòng)作下的曲線波形和幅值相近，曲線之間有偏移;不同動(dòng)作下波形和幅值不同，不排除某些Ai相近的可能性;但兩者的共性是曲線長(zhǎng)度可不同，前者表現(xiàn)在同一動(dòng)作不同人執(zhí)行的快慢，后者表現(xiàn)在不同動(dòng)作之間本身的差異。從模式識(shí)別的角度分析，上述特點(diǎn)可作為動(dòng)作類別區(qū)分的判據(jù)。假設(shè)以LS-φ 角度序列為例，如圖4 所示。

圖4 LS-φ 序列的對(duì)比情況

圖4(a)展示了同一動(dòng)作下3 個(gè)測(cè)試者的角度序列對(duì)比情況，圖4(b)展示了同一個(gè)測(cè)試者3 種不同動(dòng)作的角度序列對(duì)比情況。因此，本文通過比較時(shí)間序列的相似度進(jìn)行動(dòng)作識(shí)別，換一個(gè)思路來說，需要比較不同長(zhǎng)度向量之間的距離來進(jìn)行判斷。

3.1 曲線光滑

比較曲線之間的相似度，更多關(guān)注地是序列的變化趨勢(shì)，然而由于攝像機(jī)和測(cè)試者等的不確定性噪音影響，會(huì)產(chǎn)生數(shù)據(jù)的變差和不必要的波動(dòng)。本文采用n 階移動(dòng)平均對(duì)序列進(jìn)行光滑處理:

其中，xi表示序列中第i 個(gè)時(shí)間點(diǎn)的關(guān)節(jié)角度值。

3.2 DTW 算法

動(dòng)態(tài)時(shí)間規(guī)整(Dynamic Time Warping，DTW)算法基于動(dòng)態(tài)規(guī)劃的思想，其目的就是尋找2 個(gè)長(zhǎng)度不同的測(cè)試樣本和參考模板之間的最短距離和最優(yōu)匹配路徑。假參考時(shí)間序列R={r1，r2，…，ri，…，rL1}和測(cè)試樣本T={t1，t2，…，tj，…，tL2}，ri和tj表示時(shí)間點(diǎn)的關(guān)節(jié)角度值，L1和L2表示向量長(zhǎng)度，則向量R 和T 非線性匹配時(shí)的累計(jì)距離矩陣D(i，j)為:

其中，d(ri，tj)是ri和tj的距離函數(shù)，通常取歐式距離，則 D (L1，L2)即為 R 和 T 的最短距離。D(L1，L2)越小，R 和T 的距離越近，相似度越大。

3.3 改進(jìn)的DTW 算法

如果DTW 試圖校準(zhǔn)2 條相似的時(shí)間序列，對(duì)于那些影響序列的整體性差異，如均值、偏移和幅值等，該算法是有效的。然而，當(dāng)2 條序列對(duì)應(yīng)的Y 軸值有明顯的局部差異時(shí)，DTW 算法將會(huì)出現(xiàn)問題。實(shí)際上，傳統(tǒng)的DTW 的缺點(diǎn)在于它計(jì)算時(shí)所考慮的特征，通常它只考慮數(shù)據(jù)點(diǎn)上的Y 軸值。例如，2 條時(shí)間序列上的點(diǎn)ri和tj的Y 值相同，但是ri是在序列的上坡，而tj在序列的下坡，這2 點(diǎn)不應(yīng)該進(jìn)行映射，可DTW 確實(shí)是這樣做的。

為了避免這些問題，本文對(duì)傳統(tǒng)的DTW 進(jìn)行改進(jìn)。本文在ri和tj的基礎(chǔ)上，分別構(gòu)造一個(gè)三維向量來重新定義d(ri，tj)來替代原來的歐式距離，即和，其中一階近似導(dǎo)數(shù)和二階近似導(dǎo)數(shù)分別為:可以提供序列的形狀信息，還可減少不同趨勢(shì)上的點(diǎn)的錯(cuò)誤映射?？梢蕴峁└嗟男畔?，如最大值、最小值和折點(diǎn)。ri同樣需要保留，因?yàn)楹鸵讓?duì)噪聲敏感，而ri相對(duì)穩(wěn)定，有利于映射的準(zhǔn)確性。因此，本文中的d(ri，tj)定義為:

為了保證一階導(dǎo)和二階導(dǎo)在分類中的作用，w1～w3 遵循如下原則:

傳統(tǒng)DTW 算法和本文改進(jìn)DTW 算法的對(duì)比效果如圖5 所示，可以發(fā)現(xiàn)改進(jìn)DTW 算法的映射準(zhǔn)確性明顯提高。

圖5 改進(jìn)的DTW 算法效果

假設(shè)根據(jù)式(2)，現(xiàn)有運(yùn)動(dòng)模板特征矩陣AR=(R1，R2，…Rk，…，RM)T和待測(cè)樣本特征矩陣AT={T1，T2，…，Tk，…，TM}T，Rk和Tk(k∈［1，M］)為行向量，向量長(zhǎng)度不同。假設(shè)Dk表示Rk和Tk的改進(jìn)的DTW 的距離，則AR 和AT 的距離為:

再求期望距離:

其中，wk為相應(yīng)的權(quán)重。假設(shè)參考模板庫(kù)中有C 類模板，給定一個(gè)測(cè)試樣本AT，使得ED 取得最小值的模板對(duì)應(yīng)的動(dòng)作類別作為識(shí)別結(jié)果，即:

4 實(shí)驗(yàn)結(jié)果與分析

4.1 靜態(tài)特征的提取

通過關(guān)節(jié)點(diǎn)空間坐標(biāo)，可在Matlab 上進(jìn)行骨架重建，如圖6 所示，其中身前的矢量箭頭表示人體正面朝向，提取的關(guān)節(jié)角度值如表1 所示。結(jié)果顯示，深度圖像可以很好地應(yīng)對(duì)圖6(a)中復(fù)雜背景和光照不均的環(huán)境。

圖6 Matlab 骨架重建效果

表1 靜態(tài)姿態(tài)下的關(guān)節(jié)角度特征 (°)

4.2 動(dòng)作識(shí)別

本文首先在自己準(zhǔn)備的人體動(dòng)作數(shù)據(jù)庫(kù)(簡(jiǎn)稱數(shù)據(jù)庫(kù)A)進(jìn)行算法的驗(yàn)證，其中包含了室內(nèi)采集的6 種動(dòng)作，動(dòng)作1～動(dòng)作6 如圖7(a)～圖7(e)所示。每種動(dòng)作由6 人完成，每人重復(fù)5 次，前3 次正對(duì)攝像頭，后2 次分別以±45°角面對(duì)攝像頭，采集速率為30 幀/s，共180 組動(dòng)作樣本，約6 300 幀數(shù)據(jù)。

本文隨機(jī)選取1/6 樣本作為參考模板，5/6 作為測(cè)試樣本，共測(cè)試6 次，取均值作為最終測(cè)試結(jié)果。本文選用式(1)的全部特征即M=16，為了簡(jiǎn)單起見，式(7)中w1=1，w2=2，w3=3，式(10)中的權(quán)重均取1/16。所有程序均在Matlab2009 上運(yùn)行，CPU為Intel Core i3，匹配運(yùn)行時(shí)間為0.5 s～0.8 s。數(shù)據(jù)庫(kù)A 的識(shí)別效果如表2 所示，并與傳統(tǒng)DTW 的效果進(jìn)行比較。

本文算法對(duì)數(shù)據(jù)庫(kù)A 平均識(shí)別率達(dá)到了98.32%，但也發(fā)現(xiàn)，不同動(dòng)作之間曲線波形的相似性可能會(huì)導(dǎo)致動(dòng)作的誤判。這是因?yàn)閷?shí)際環(huán)境中測(cè)試者執(zhí)行的是自然人體動(dòng)作，必須容忍動(dòng)作的隨意性和自由性。此外，為了驗(yàn)證深度圖像在應(yīng)對(duì)自遮擋現(xiàn)象的效果，本文也進(jìn)行了對(duì)比，如圖8 所示，其中，0°表示測(cè)試者正對(duì)攝像頭?？梢园l(fā)現(xiàn)當(dāng)測(cè)試者以±45°面對(duì)攝像頭時(shí)仍有較高的識(shí)別率。

圖7 6 種動(dòng)作示意圖

表2 數(shù)據(jù)庫(kù)A 的動(dòng)作識(shí)別效果 %

圖8 自遮擋情況下識(shí)別效果的對(duì)比

為了驗(yàn)證本文算法的魯棒性，本文還在MSR Action3D 數(shù)據(jù)庫(kù)(簡(jiǎn)稱數(shù)據(jù)庫(kù)B)上進(jìn)行測(cè)試，并與文獻(xiàn)［8］進(jìn)行了對(duì)比，對(duì)比結(jié)果如表3 所示，動(dòng)作集分類和測(cè)試方法參照文獻(xiàn)［8］。

文獻(xiàn)［8］中Test One 取1/3 作為訓(xùn)練樣本，本文則作為參考模板;Test Two 取2/3 作為訓(xùn)練樣本;Cross Subject Test 取半數(shù)測(cè)試者作為訓(xùn)練樣本。同樣本文方法共測(cè)試6 次，取均值作為最終測(cè)試結(jié)果。通過表3 發(fā)現(xiàn)，隨著Test Two 的模板數(shù)量的增加，識(shí)別率提高，但同時(shí)也會(huì)增加運(yùn)算時(shí)間代價(jià)，經(jīng)統(tǒng)計(jì)在Test Two 中匹配時(shí)間提高到0.7 s～1.2 s。相比表2，表3的整體效果下降，這是因?yàn)閿?shù)據(jù)庫(kù)B 包含的動(dòng)作種類復(fù)雜多樣，測(cè)試者動(dòng)作的隨意性和自由性更大，增加了識(shí)別難度。另外，雖然對(duì)于Test One/Two 中的AS3，本文的識(shí)別比文獻(xiàn)［8］低，但仍足以保證總體平均識(shí)別率高于文獻(xiàn)［8］，尤其在Cross Subject 中，本文的算法優(yōu)勢(shì)明顯高于文獻(xiàn)［8］。

表3 數(shù)據(jù)庫(kù)B 的識(shí)別效果 %

5 結(jié)束語

與彩色圖像相比，深度圖像不會(huì)有光照、陰影、以及環(huán)境變化的干擾，并且在一定程度上解決物體遮擋的問題。本文利用深度圖像的特點(diǎn)，進(jìn)行人體動(dòng)作識(shí)別。通過深度圖像獲得骨架模型，提取特征模型，利用改進(jìn)的DTW 算法進(jìn)行模板匹配，實(shí)驗(yàn)結(jié)果表明本文方法獲得了較好的識(shí)別效果。

然而，深度圖像的采集是有距離限制的，單一深度圖像仍會(huì)有視覺死角，難以應(yīng)對(duì)更加復(fù)雜的識(shí)別任務(wù)。因此，在今后的研究工作中，希望利用多個(gè)Kinect 進(jìn)行運(yùn)動(dòng)捕捉，通過數(shù)據(jù)融合構(gòu)建出更為準(zhǔn)確的特征模型。此外，DTW 算法并不能應(yīng)用與所有的分類場(chǎng)景，況且隨著模板數(shù)量的不斷增加，匹配時(shí)間代價(jià)也將是巨大的，今后將繼續(xù)對(duì)分類算法進(jìn)行研究和改進(jìn)。

［1］鄧甜甜，王智靈，朱明清，等.基于輪廓圖像空頻域特征的人體姿態(tài)分層識(shí)別算法［J］.模式識(shí)別與人工智能，2011，24(3):411-416.

［2］彭江平.基于級(jí)聯(lián)結(jié)構(gòu)的人體動(dòng)作識(shí)別方法［J］.計(jì)算機(jī)應(yīng)用，2012，32(6):1578-1580.

［3］Chen Shoushun，Martini B，Culurciello E.A Bio-inspired Event-based Size and Position Invariant Human Posture Recognition Algorithm［C］//Proc.of IEEE International Symposium on Circuits and Systems.Taipei，China:［s.n.］，2009:775-778.

［4］Le H，Thuc U，Tuan P V，et al.An Effective 3D Geometric Relational Feature Descriptor for Human Action Recognition［C］//Proc.of IEEE International Conference on Computing and Communication Technologies，Research，Innovation，and Vision for the Future.Ho Chi Minh City，Vietnam:［s.n.］，2012:1-6.

［5］Lee Y，Jung K.Non-temporal Multiple Silhouettes in Hidden Markov Model for View Independent Posture Recognition［C］//Proc.of IEEE International Conference on Computer Engineering and Technology.Singapore:［s.n.］，2009:466-470.

［6］曹雛清，李瑞峰，趙立軍.基于深度圖像技術(shù)的手勢(shì)識(shí)別方法［J］.計(jì)算機(jī)工程，2012，38(8):16-18，21.

［7］林 鵬，張 超，李竹良，等.基于深度圖像學(xué)習(xí)的人體部位識(shí)別［J］.計(jì)算機(jī)工程，2012，38(16):185-188.

［8］Li Wangqing，Zhang Zhengyou，Liu Zicheng.Action Recognition Based on a Bag of 3D Points［C］//Proc.of IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops.San Francisco，USA:［s.n.］，2010:9-14.

［9］Wang Jiang，Liu Zicheng，Wu Ying，et al.Mining Actionlet Ensemble for Action Recognition with Depth Cameras［C］//Proc.of International Conference on Computer Vision and Pattern Recognition.Providence，USA:［s.n.］，America，2012:1290-1297.

［10］Shotton J，F(xiàn)itzgibbon A，Cook M，et al.Real-time Human Pose Recognition in Parts from Single Depth Images［C］//Proc.of CVPR' 11.Colorado Spring，USA:1715-1732.

［11］Obdrzalek S，Kurillo G，Ofli F，et al.Accuracy and Robustness of Kinect Pose Estimation in the Context of Coaching of Elderly Population ［C］//Proc.of International Conference on Engineering in Medicine and Biology Society.San Diego，USA:［s.n.］，2012:1188-1193.

［12］Yang Jialun，Gao Feng，Guo Weizhong.Classification of Motion Patterns for Robot Manipulators［C］//Proc.of International Conference on Reconfigurable Mechnanisms and Robots.London，UK:［s.n.］，2009:54-57.