1、引言

對人的行為識別和理解在近年來越來越受到科研工作者的關(guān)注。它涉及計(jì)算機(jī)視覺研究領(lǐng)域、人工智能和模式識別領(lǐng)域，由于其在智能監(jiān)控、人機(jī)交互、視頻檢索、體育賽事分析、運(yùn)動員輔助訓(xùn)練、病人監(jiān)護(hù)等方面有著廣泛的應(yīng)用前景而成為了近幾年的研究熱點(diǎn)。

根據(jù)行為復(fù)雜程度的不同，一般可將基于視覺的人體行為識別劃分為三個(gè)層次[1]：對一段視頻中正在進(jìn)行的動作或發(fā)生的事情做出識別時(shí)，該系統(tǒng)的輸入是一段視頻，輸出可以是一個(gè)簡單的動作，如“左腿向前”等;也可以是一系列動作組成的行為，如“跑”、”跳”;還可以是一種事件活動，如體育賽事中的”跨欄”、地鐵站里發(fā)生”搶劫”等。

隨著近年來對人體行為識別研究的不斷深入，通過對大量相關(guān)文獻(xiàn)[1-5]的整理總結(jié)：人的行為識別和理解研究一般遵從運(yùn)動目標(biāo)檢測及跟蹤，姿態(tài)估計(jì)，動作特征提取和動作分類幾個(gè)基本過程。在行為識別中，常用的方法是從視頻直接提取動作狀態(tài)特征進(jìn)行動作表示，然后對各個(gè)行為狀態(tài)特征進(jìn)行分類，從未而達(dá)到識別的目的。分類的算法一般是需要通過機(jī)器學(xué)習(xí)、訓(xùn)練樣本數(shù)據(jù)來得到。

本文主要人體行為識別介紹了該技術(shù)的研究現(xiàn)狀和采用的一般方法， 分析了致使進(jìn)展較慢的一些因素， 最后就其未來的研究發(fā)展趨勢進(jìn)行了探討。

2特征描述

在這部分，本文主要討論從視頻序列中提取動作特征的各種方法。主要分為基于局部特征的特征描述和基于全局的特征描述[6]。

基于局部的描述一般思路是依據(jù)某些原則將人體分為一系列獨(dú)立的碎片，首先是獲取時(shí)空中的興趣點(diǎn)，所謂感興趣點(diǎn)是指空間上或時(shí)間上突然發(fā)生變化的點(diǎn)，這些點(diǎn)類似于2 維圖像中的角點(diǎn)或者邊緣點(diǎn)，只是擴(kuò)展到3 維，這些點(diǎn)組成一個(gè)稠密或稀疏的集合并形成最終的描述。它的優(yōu)點(diǎn)是不要求背景的提取和對于人的跟蹤，所以比較容易處理復(fù)雜場景，但是如何提取足夠的興趣點(diǎn)和需要一些預(yù)處理是一個(gè)問題。

基于全局的描述主要是通過對背景的提取或是跟蹤來定位人的位置區(qū)域，然后將其作為一個(gè)整體進(jìn)行編碼，最終形成一個(gè)圖像的描述子。這種方式的優(yōu)點(diǎn)是可較全面的提取特征信息，但是過于依賴精確的背景提取或跟蹤，并且對視角、噪聲和遮擋等相當(dāng)敏感，如果能合理的消除這些影響因素，全局描述能獲得不錯的識別效果。

3 行為分類

在獲得觀察幀的動作的特征描述后，行為識別就自然而然的變成了一個(gè)分類問題，即將待測序列的特征類與樣本類進(jìn)行比對完成最終的識別任務(wù)。目前主流分類方法大致可以分為兩類，一種是傳統(tǒng)方法，即直接對提取的特征進(jìn)行模板匹配來分類，例如SVM[9];另一種稱之為狀態(tài)空間法，即通過大量特征數(shù)據(jù)的訓(xùn)練學(xué)習(xí)，以統(tǒng)計(jì)學(xué)的方法對動作類建立模型，進(jìn)而達(dá)到識別的目的，主要有HMM和CRF等[7]。

3.1 模板匹配

模板匹配方法廣泛應(yīng)用于模式識別領(lǐng)域， 是一種基本的特征匹配方法?；舅悸肥前颜麄€(gè)視頻序列看作一個(gè)整體，然后把整個(gè)動作表示成一個(gè)特征向量，即特征模板[8]，通過訓(xùn)練得到每類動作的模板，識別時(shí)把待分類動作特征跟各類的模板做匹配，取距離最小的已知行為模板所屬的類別作為識別結(jié)果。模板匹配法采用的特征一般是二維網(wǎng)格， 這類方法操作起來簡單，計(jì)算代價(jià)低， 但對運(yùn)動持續(xù)時(shí)間的變化和噪聲比較敏感，不同的人或者同一個(gè)人在不同時(shí)間所做的動作都會有很大的差異性，或者同一個(gè)動作視角不同，得到特征數(shù)據(jù)也會有很大的差異，如果要全面描述一個(gè)動作，其存儲的模板的數(shù)據(jù)量會很大，所以并不容易建立模板。

3.2狀態(tài)空間法

模板匹配實(shí)際上是一種基于距離度量的方法，它雖簡單易行，但忽略了隱含在特征序列中姿態(tài)之間的聯(lián)接關(guān)系，而狀態(tài)空間法可以很好地彌補(bǔ)這一點(diǎn)。狀態(tài)空間法把每一種靜態(tài)姿勢定義為一種狀態(tài)， 這些狀態(tài)通過概率聯(lián)系起來，由靜態(tài)姿勢所組成的任何運(yùn)動序列可以看成是這些不同狀態(tài)之間的一次遍歷過程。在遍歷過程中計(jì)算聯(lián)合概率并將最大值作為行為分類的標(biāo)準(zhǔn)， 采用這樣的方法， 運(yùn)動的持續(xù)時(shí)間則不再是一個(gè)問題， 因?yàn)槊恳环N狀態(tài)都可以重復(fù)訪問自身多次。然而， 這種方法通常需要建立內(nèi)在的非線性模型， 沒有固定形式的解決方法。 而非線性模型需要在訓(xùn)練過程中尋找一個(gè)全局最優(yōu)解， 這就需要進(jìn)行復(fù)雜的迭代計(jì)算。

4 評測數(shù)據(jù)庫

目前用于行為識別的算法評測的數(shù)據(jù)庫有很多[10]。本文主要介紹現(xiàn)在主流的一些行為識別的數(shù)據(jù)庫。較為流行的主要包括：KTH數(shù)據(jù)庫、Weizmann數(shù)據(jù)庫和IXMAS數(shù)據(jù)庫等。這些數(shù)據(jù)庫一般都是包含有6-11個(gè)動作，分別有多個(gè)人來表演。

5 結(jié)論

人體行為識別的目的是實(shí)現(xiàn)監(jiān)控系統(tǒng)和計(jì)算機(jī)等的智能化，其未來發(fā)展趨勢是如何將數(shù)據(jù)圖像技術(shù)、人工智能和計(jì)算機(jī)等方面的成果結(jié)合起來，將現(xiàn)有的簡單行為識別算法推廣到更為復(fù)雜場景下兩人或多人的交互行為的識別中，建立一個(gè)具有自主學(xué)習(xí)能力的實(shí)時(shí)系統(tǒng)。

參考文獻(xiàn)：

[1] 張學(xué)工. 關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J].自動化學(xué)報(bào)，2000，26（1）：32-42.

[2] 趙榮椿， 趙忠明， 趙歆波.數(shù)字圖像處理與分析[M]. 北京： 清華大學(xué)出版

社.2013.

[3] 趙春暉， 潘泉等. 視頻圖像運(yùn)動目標(biāo)分析[M]. 北京：國防工業(yè)出版社 2011：

62- 63.

[4]王亮，胡衛(wèi)明，譚鐵牛.人運(yùn)動的視覺分析綜述[J].計(jì)算機(jī)學(xué)報(bào)，2002，25（3）：225—237.

[5]杜友田，陳峰，徐文立等.基于視覺的人的運(yùn)動識別綜述[J].電子學(xué)報(bào)，2007，35（1）：84—90.

[6] 劉相濱，向堅(jiān)持，王勝春，人行為識別與理解研究探討[J].計(jì)算機(jī)與現(xiàn)代化，2004，12 （4）：1-5.

[7] "趙志勇. 基于視頻流的運(yùn)動人體行為識別研究[D]. 西安： 西安電子科技大學(xué)碩士學(xué)位論文.2011

[8] 周艷青，王磊.基于視覺的人體動作識別綜述[J].山東輕工業(yè)學(xué)院學(xué)報(bào)，2012，26（1）： 86 -89

[9]張學(xué)工. 關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J].自動化學(xué)報(bào)，2000，26（1）：32-42.

[10]袁勝發(fā)， 褚福磊. SVM多類分類算法及其在故障診斷中的應(yīng)用[J]. 振動工程學(xué)報(bào)，2004， 17：419-421.