趙曉麗，田麗華，李　晨

ZHAO Xiaoli,TIAN Lihua,LI Chen

西安交通大學(xué) 軟件學(xué)院，西安 710049

School of Software Engineering,Xi’an Jiaotong University,Xi’an 710049,China

1　引言

人體動作行為識別是近年來計算機(jī)視覺領(lǐng)域的一個研究熱點(diǎn)，其廣泛應(yīng)用于人機(jī)智能交互、虛擬現(xiàn)實(shí)和視頻監(jiān)控等領(lǐng)域[1]。在以往的研究中，往往通過從可穿戴傳感器或視頻中采集的動作圖來進(jìn)行人體動作識別，過程過于繁瑣，且受環(huán)境和噪音影響較大。但隨著低成本、易操作的Kinect設(shè)備的出現(xiàn)，基于深度數(shù)據(jù)的動作識別受到了研究人員的歡迎。利用Kinect設(shè)備采集的人體動作信息不僅對環(huán)境中的顏色、光照和紋理不敏感，而且可以實(shí)時獲取人體深度圖像。利用文獻(xiàn)[2]中的方法可以快速準(zhǔn)確的從深度圖像中評估人體骨骼關(guān)節(jié)點(diǎn)的空間位置，相對于傳統(tǒng)的視頻具有視角無關(guān)系?；谏疃葓D像的行為識別對噪聲和遮擋更具有魯棒性[3]，動作識別主要可分為數(shù)據(jù)采集與預(yù)處理、特征提取、特征處理、分類識別等幾個步驟，其中特征提取和處理最為重要。Yang等[3]通過聚集深度序列中的曲面法線構(gòu)建特征向量，然后在時空網(wǎng)格上分別進(jìn)行稀疏編碼和池化來構(gòu)建可區(qū)分性強(qiáng)的特征描述子（SNV）。文獻(xiàn)[4]提出了HON4D描述子，首先用投影向量量化4D空間，然后將動作序列分割成時空方塊，分塊統(tǒng)計法線方向分布直方圖作為最終特征向量。文獻(xiàn)[5]通過提取點(diǎn)云數(shù)據(jù)中的主成分向量，然后投影到以正二十面體的頂點(diǎn)向量所確定的方向上，來構(gòu)建方向主成分直方圖（HOPC），對速度和角度的變化具有很好的魯棒性。

分類識別目前有基于模板匹配、基于統(tǒng)計、基于語義的方法，以及一些其他分類方法?；谀０迤ヅ涞姆椒ㄖ饕袆討B(tài)時間規(guī)整法[6]、動態(tài)規(guī)劃法[7]和模板匹配法等。動態(tài)時間規(guī)整和動態(tài)規(guī)劃法可以消除動作運(yùn)動速度不一致對識別的影響；模板匹配法適合于簡單的動作識別，由于個體對動作理解的差異，很難對動作定義一個標(biāo)準(zhǔn)的模板?；诮y(tǒng)計的方法主要有隱馬爾科夫模型（HMM）[8]和動態(tài)貝葉斯模型（DBN）[9]，識別效果較好，但往往有很多特征參數(shù)需要選取，參數(shù)選取的好壞直接影響識別結(jié)果?；谡Z義識別的方法更目前僅能對簡單語義進(jìn)行識別，無法應(yīng)用于復(fù)雜場景。除此之外，近年來支持向量機(jī)（SVM）[10]、卷積神經(jīng)網(wǎng)絡(luò)（CNN）[11]在動作分類中應(yīng)用廣泛。

支持向量機(jī)（SVM）分類可拓展到多分類，是目前最普遍使用的分類方法。Chang等[12]提出的LIBSVM分類工具可簡單有效的進(jìn)行模式識別與回歸，但訓(xùn)練速度較慢。Fan等[13]提出的LIBLINEAR分類器主要為大規(guī)模數(shù)據(jù)而設(shè)計的線性模型，采用線性核，計算速度更快。由于粒子群算法原理簡單且易于求值，逐漸被用來優(yōu)化SVM分類器。文獻(xiàn)[14]提出的基于檢測策略的骨干粒子群算法，適應(yīng)度函數(shù)使用彈性網(wǎng)絡(luò)估計方法，能使算法更加穩(wěn)定且加速收斂。文獻(xiàn)[15]提出的借鑒復(fù)雜適應(yīng)度系統(tǒng)（CAS）理論，將混沌和自適應(yīng)引入到基本PSO中，形成一種雙重自適應(yīng)PSO算法，解決算法易陷入局部最優(yōu)等問題。

通過對文獻(xiàn)[3-4]所提出的方法進(jìn)行分析，針對其特征冗余、訓(xùn)練速度慢，以及識別率不高等問題提出了基于稀疏編碼局部時空描述子的動作識別方法。首先對Kinect設(shè)備采集的深度圖像進(jìn)行法線提取，同時利用基于能量的自適應(yīng)時空金字塔對動作序列進(jìn)行時空分塊。然后局部時空法線，減少冗余信息，得到顯著特征向量，即局部時空描述子。隨后將法線特征進(jìn)行稀疏編碼[16]得到一組字典向量來重構(gòu)樣本數(shù)據(jù)。對于每一塊時空的特征向量應(yīng)用已求得的字典來稀疏編碼和池化，降低特征維度；最后利用sPSO優(yōu)化的SVM分類器，可以得到更符合樣本數(shù)據(jù)的模型。

2　理論基礎(chǔ)

2.1　法線

法線是始終垂直于某平面的虛線，用來描述幾何體表面的方向。圖像法線特征能夠捕獲豐富的信息，具有很好的辨別性，能更好地完成動作識別任務(wù)。

在深度序列中，3D空間可以拓展成一個混合4D空間。R3→R1:z=f(x,y,t)，其中(x,y,t)是第t幀點(diǎn)云的空間坐標(biāo)。每個點(diǎn)云(x,y,t)滿足S(x,y,t,z)=f(x,y,t)-z=0；4D空間表面S的法線特征可以由公式（1）求得，每個像素點(diǎn)應(yīng)有一條法線，如圖1為法線示意圖。

圖1　法線示意圖

4D法線相對于傳統(tǒng)梯度方向更有能力獲取豐富且可區(qū)分性強(qiáng)的信息[4]。

2.2　時空金字塔

考慮到每幀特征之間具有一定的時空關(guān)系，因此通過時空金字塔進(jìn)行特征聚集。時空金字塔不僅能夠捕獲動作序列的空間結(jié)構(gòu)也能獲得動作序列的時間信息。

為獲取空間維度上的信息，將每一幀分為nH×nW塊；為獲取時間維度的信息，將整個動作分為T級；最終每個動作序列將分成nH×nW×(2T-1)塊。本文在時間維度上使用3級金字塔：{t0t4},{t0t2,t2t4},{t0t1,t2t3,t3t4}，因此時空金字塔共劃分成了nH×nW×7塊。圖2為3級時空金字塔在時間維度上的示意圖。

圖2　時空金字塔示意圖（3級共分為7塊）

時空金字塔的第1級表示動作的整體特征，第2級和第3級分別代表了動作不同部分的局部特征。時空金字塔加入了動作的空間結(jié)構(gòu)，可以顯著提升不同類型動作之間的區(qū)分度，從而提升分類的準(zhǔn)確性和魯棒性。

2.3　稀疏編碼

稀疏編碼是一種無監(jiān)督學(xué)習(xí)方法，用來尋找一組字典向量來重構(gòu)樣本數(shù)據(jù)。白化后的樣本數(shù)據(jù)P=(p1,p2,…,pN)∈RM×N，其中 Pi代表每幀動作的特征值。用公式（2）來獲得字典D和相關(guān)系數(shù)：

其中，字典 D∈RM×K，是字典D中的虛擬單詞；αi∈RM×N是稀疏分解系數(shù)；λ是正則系數(shù)。

2.4　簡化粒子群算法

由Elberhart和Kennedy最早提出的粒子群優(yōu)化算法（bPSO）[17]，系統(tǒng)初始化為一組隨機(jī)解，通過迭代搜尋最優(yōu)值[18]，算法公式如下：

為了提高粒子群跳出局部極值的能力，Shi等[19]對公式（3）添加了慣性因子ω：

文獻(xiàn)[20]證明了粒子群的進(jìn)化與速度無關(guān)。假設(shè)種群中除第i個粒子外其余粒子保持不動，可以省略下標(biāo)i；假設(shè)粒子群的維數(shù)為一維，則可以省略下標(biāo)d，再為便于理解，將式中的變量符號移到變量符后的括號中，則式（4）和（5）可以變?yōu)椋?/p>

式（8）是不含速度項(xiàng)的經(jīng)典二階微分方程（假設(shè)粒子的位置移動為連續(xù)過程）[20]。綜上所述，不含速度項(xiàng)的粒子群公式為：

sPSO算法可以沒有粒子速度的概念，避免了設(shè)定參數(shù)[-vmax,vmax]而影響粒子的收斂速度和收斂精度[18]，適用于算法優(yōu)化、參數(shù)尋優(yōu)等情況。

本文利用sPSO來尋求SVM中懲罰系數(shù)C的最優(yōu)值。簡化粒子群算法sPSO的實(shí)現(xiàn)步驟為：

（1）初始化粒子群相關(guān)參數(shù)。種群大小為M，每個粒子初始位置x，慣性因子ω，加速常數(shù)c1、c2，局部最優(yōu) pid和全局最優(yōu) pgd。

（2）計算每個粒子的適應(yīng)度值。

（3）每個粒子的適應(yīng)度值分別與個體最優(yōu) pid比較，取最優(yōu)的一個。

（4）用每個粒子的適應(yīng)度值分別與全局最優(yōu) pgd比較，取最優(yōu)的一個。

（5）根據(jù)公式（9）更新粒子的位置。

（6）滿足結(jié)束條件（達(dá)到最大迭代次數(shù)N或在誤差范圍內(nèi)），則退出；否則返回（2）。

3　基于局部時空描述子的人體動作識別算法

本文在法線的基礎(chǔ)上，局部聚集法線得到時空局部描述子。為提取時間和空間上動作序列的相關(guān)信息，使用基于能量的自適應(yīng)時空金字塔對動作進(jìn)行分塊。為了減少冗余的法線信息，對提取到的特征先稀疏編碼后池化。最終送入sPSO優(yōu)化的SVM分類器進(jìn)行分類?？傮w的算法流程圖3所示。

圖3　算法流程圖

3.1　局部時空描述子

文獻(xiàn)[3]中使用基于時空的描述子，將點(diǎn)云lr×lc×lt鄰域串聯(lián)起來組成lr×lc×lt×3維鄰域法線，但卻包含大量重復(fù)信息。文獻(xiàn)[4]提取的HON4D描述子在時空中統(tǒng)計法線方向直方圖，雖然提取出了一定的顯著特征，但卻部分丟失了曲面方向的信息。

為了減少鄰域法線重復(fù)信息又不至于丟失顯著性特征，提高算法的魯棒性，若先將每個動作序列分成nH×nW×(2T-1)塊，再將每塊均分為若干塊求每塊法線均值后串聯(lián)起來作為最終特征，雖有效降低了特征維度，但無法足夠準(zhǔn)確地表達(dá)運(yùn)動特征。若將每個點(diǎn)云鄰域lr×lc×lt中的法線平均起來表征中心點(diǎn)云，雖去除了部分噪聲對動作序列的影響，但仍無法提取出顯著性特征。

因人體動作是在時間軸上連續(xù)運(yùn)動的空間序列，故考慮聚集行、列、幀平面的法線表達(dá)運(yùn)動特征，行、列為提取空間維度上的運(yùn)動特征，幀即為時間維度上的運(yùn)動表征，最終應(yīng)用局部時空描述子來進(jìn)行特征提取。

對于每個點(diǎn)云，在鄰域lr×lc×lt中分別聚集過中心點(diǎn)的行、列、幀平面的法線，得到9維法線特征。在4D表面中，只有法線的方向是與圖像表面形狀息息相關(guān)的。對于lr×lc×lt組成的局部鄰域R，行聚集法線由公式（10）可得：

公式中的[]表示向上取整?；旌暇植苦徲蚍ň€P由行、列、幀平均法線串聯(lián)而來，即

nly、nlt的特征同nlx。所有點(diǎn)云平均法線的串聯(lián)即每一幀的特征描述子P，即

圖4為3×3×3局部時空描述子示意圖，分別聚集藍(lán)、紫、黃3個平面內(nèi)的法線后串聯(lián)起來，即為塊中心點(diǎn)的局部時空描述子。

圖4　局部時空描述子提取示意圖

3.2　基于運(yùn)動能量的自適應(yīng)時空金字塔

在對動作進(jìn)行分類前，為了提高分類的準(zhǔn)確性和魯棒性，本文提出自適應(yīng)時空金字塔即將動作序列在時間和空間維度上分塊，對塊內(nèi)法線進(jìn)行進(jìn)一步的處理，以達(dá)到更好的識別結(jié)果。

在空間維度上，首先對每幀姿態(tài)提取出包含人體動作的最小區(qū)域，消除無動作背景的影響，然后將每幀動作分為nH×nW塊。在時間維度上劃分金字塔時，由于不同的動作被記錄的速度和運(yùn)動速度都會直接導(dǎo)致動作幀序列的不同，若時間軸上直接平均分塊會導(dǎo)致一定的差異。為了消除這些差異，用累加的運(yùn)動能量來構(gòu)建能量曲線，能量曲線在一定程度上反映了人體動作姿態(tài)的變化以及速度的快慢。

為了獲取運(yùn)動能量，本文用了一個簡單有效的方法來移除靜態(tài)幀。假設(shè)Fi-1和Fi是相鄰的兩幀，則運(yùn)動能量的公式由公式（13）獲?。?/p>

其中，ε表示去除噪音的閾值；sum()·返回幀差值的非零元素總數(shù)；第i幀的運(yùn)動能量即為第1幀到第i幀的能量疊加。

獲取到的運(yùn)動能量一般為105級別的數(shù)值，用式（14）歸一化到[0，1]區(qū)間，歸一化后最接近1/n的即為n分的幀節(jié)點(diǎn)。

其中，T為動作序列的長度減1。如圖5為使用能量分塊與普通分塊對比圖。

圖5　使用能量分塊與普通分塊對比

圖5上圖為直接均分示意圖，分塊區(qū)間為[1，11，23，34，45]；下圖為使用運(yùn)動能量分塊示意圖，分塊區(qū)間為[1，27 34，39，45]。由圖可以看出，前10幀幾乎處于靜止?fàn)顟B(tài)，而35～40幀運(yùn)動變化較大，使用運(yùn)動能量能夠根據(jù)動作變化情況更加均勻的分塊，不受運(yùn)動速度或記錄速度等的影響。

3.3　降維

池化操作不僅能提取出特征中可區(qū)分性強(qiáng)的特征，同時也可降低圖像特征的維數(shù)。池化操作分為平均池化和最大化池化兩種。對于每一個時空網(wǎng)格，在空間上應(yīng)用平均池化：

其中，uk(t)代表第k個虛擬單詞在第t幀的差分向量。

在時間上應(yīng)用最大化池化：

其中，uk,i代表第k個虛擬單詞向量中相對應(yīng)第i個值。向量就是一個時空網(wǎng)格的特征。最后，將時空網(wǎng)格的特征向量串聯(lián)起來即為最終特征向量。

3.4　sPSO優(yōu)化SVM分類

SVM中懲罰系數(shù)C代表的是在線性不可分的情況下，對分類錯誤的懲罰程度，C值過大容易造成過擬合，C值過小容易造成欠擬合。為了獲得SVM中的最優(yōu)懲罰系數(shù)C，利用簡化粒子群算法（sPSO）進(jìn)行迭代求取。傳統(tǒng)PSO算法易陷入局部極值且收斂速度慢，sPSO算法消除了粒子速度的影響，避免了速度參數(shù)對粒子的收斂速度和收斂精度的影響。在利用sPSO求解最優(yōu)懲罰系數(shù)C時，初始設(shè)置c1=1.5，c2=1.7，種群規(guī)模M=20，慣性因子w=1，由于訓(xùn)練樣本數(shù)量龐大，為了減少時間成本，設(shè)置最大迭代次數(shù)為N=200或誤差范圍在10－3內(nèi)。因訓(xùn)練數(shù)據(jù)維數(shù)較高，故求解過程中的模型訓(xùn)練使用LIBLINEAR工具箱。使用粒子群優(yōu)化懲罰系數(shù)增加的時間復(fù)雜度為O(MN)，由表2和表6可看出，雖然求取最優(yōu)懲罰系數(shù)的過程雖然提升了運(yùn)算量，但卻提升了大于1%的識別率。經(jīng)過實(shí)驗(yàn)對分分析求得，對于MSRAction3D和MSRGesture3D數(shù)據(jù)集的最優(yōu)懲罰系數(shù)為0.3～0.7。

4　實(shí)驗(yàn)結(jié)果及分析

4.1　數(shù)據(jù)集

為了驗(yàn)證本文提出的基于稀疏編碼局部時空描述子的識別算法的魯棒性，分別在公共數(shù)據(jù)集MSRAction3D和MSRGesture3D上進(jìn)行了測試。兩個深度序列數(shù)據(jù)集部分動作如圖6和圖7所示。

圖6　MSRAction3D中high arm wave深度圖像

圖7　MSRGesture3D中畫Z深度圖像

MSRAction3D數(shù)據(jù)集[21]是用Kinect設(shè)備獲取到的動作幀的深度序列，包含20個動作：“high arm wave”“horizontal arm wave”“hammer”“hand catch”“forward punch”“high throw”“draw x”“draw tick”“draw circle”“hand clap”“two hand wave”“side boxing”“bend”“forwardkick”“sidekick”“jogging”“tennisswing”“tennis serve”“golf swing”“pick up&throw”，每個動作分別由10個人做2～3次。該數(shù)據(jù)集的識別難度在于其中的很多動作很相似。

MSRGesture3D數(shù)據(jù)集[22]是由Kinect設(shè)備獲取手勢的深度圖像，它包含了被ASL定義的12個手語動作：“bathroom”“blue”“finish”“green”“hungry”“milk”“past”“pig”“store”“where”“j”“z”，每個動作分別由 10 個人做2～3次。該數(shù)據(jù)集的挑戰(zhàn)主要是自遮擋的問題。

4.2　實(shí)驗(yàn)結(jié)果及分析

在MSRAction3D數(shù)據(jù)集上，第1、3、5、7、9個人的動作作為訓(xùn)練數(shù)據(jù)，第2、4、6、8、10個人的動作作為測試數(shù)據(jù)，混淆矩陣如圖8所示。在兩個數(shù)據(jù)集的實(shí)驗(yàn)中式（2）的正則系數(shù)λ取0.15，式（13）的能量閾值ε取100。

從圖8可以看出，20個動作里有15個動作的識別率可達(dá)100%，而誤識別則出現(xiàn)在了比較相似的動作上，例如high throw和hand catch。

如圖9為在MSRAction3D數(shù)據(jù)集上字典數(shù)量與識別率的關(guān)系。圖9上圖為字典數(shù)量在10～100以10為梯度的字典數(shù)量與識別率的關(guān)系；下圖則為100～400以100為梯度的字典數(shù)量與識別率的關(guān)系。由圖可以看出，當(dāng)字典數(shù)量設(shè)為100的時候識別精度最高。

表1為字典大小設(shè)置為100時MSRAction3D數(shù)據(jù)集中時空網(wǎng)格大小和識別率的關(guān)系，可以看出時空網(wǎng)格并設(shè)置為5×5×5最為合適。

表1　MSRAction3D中時空網(wǎng)格大小和識別率的關(guān)系

表2為僅使用sPSO優(yōu)化、僅使用能量分塊優(yōu)化和sPSO+能量分塊優(yōu)化后與優(yōu)化前的識別率對比?？梢钥闯?，單獨(dú)使用sPSO算法尋求最優(yōu)懲罰系數(shù)后，算法精度提高了1.09%。單獨(dú)使用運(yùn)動能量分塊能夠更加精準(zhǔn)地分割動作序列，算法精度提高了1.46%。sPSO和能量分塊優(yōu)化后，算法精度提高了2.19%

表2　MSRAction3D中優(yōu)化前后對比

將本文提出的識別方法與其他人體行為識別方法相對比，平均識別率的對比如表3所示。

表3　在MSRAction3D上的識別率比較結(jié)果

在MSRGesture3D數(shù)據(jù)集上，第1、3、5、7、9個人的動作作為訓(xùn)練數(shù)據(jù)，第2、4、6、8、10個人的動作作為測試數(shù)據(jù)，混淆矩陣如圖10所示。

圖10　MSRGesture3D混淆矩陣

從圖10可以看出，在12個動作中有8個動作的識別率達(dá)到了100%，同樣的，Z和Pig動作在手語中十分相似，出現(xiàn)了誤識別的情況。

如圖11為MSRGesture3D數(shù)據(jù)集字典數(shù)量與識別率的關(guān)系，由圖可以看出，當(dāng)字典數(shù)量設(shè)為20的時候識別精度最高。

表4為字典大小設(shè)置為20時，MSRGesture3D數(shù)據(jù)集中時空網(wǎng)格大小和識別率的關(guān)系，可以看出時空網(wǎng)格并設(shè)置為3×3×3最為合適。

圖11　MSRGesture3D字典數(shù)量與識別率

表4　MSRGesture3D中時空網(wǎng)格大小和識別率的關(guān)系

將本文提出的識別方法與其他手勢動作識別方法，平均識別率的對比如表5所示。

表5　MSRGesture3D上的識別率比較結(jié)果

實(shí)驗(yàn)所用平臺為Intel?E5-2609處理器，CPU@2.5 GHz，128 GB內(nèi)存的Win7 64位操作系統(tǒng)，開發(fā)工具為MATLAB R 2017b。平均每幀運(yùn)行時間，如表6所示。

表6　平均每幀運(yùn)行時間s

本文提出的方法從特征維度上相對于SNV降了9倍，在MSRAction3D數(shù)據(jù)集上平均每幀的處理速度約提高了5倍，而在MSRGesture3D數(shù)據(jù)集上約提速了2倍。

5　結(jié)束語

為解決已有算法特征維數(shù)過高導(dǎo)致訓(xùn)練速度較慢以及識別率不高等問題，本文提出基于稀疏編碼局部時空描述子的動作識別方法，在時空維度上聚集提取到的法線，利用稀疏編碼求取字典來重構(gòu)數(shù)據(jù)。為了能提取更加顯著的特征，提出基于運(yùn)動能量的自適應(yīng)時空金字塔，對動作分塊；然后對分塊后的動作分別池化降維，得到最終特征送入sPSO優(yōu)化后的SVM分類器分類。通過在MSRAction3D和MSRGesture3D數(shù)據(jù)集上實(shí)驗(yàn)，結(jié)果驗(yàn)證了本文提出的識別方法具有很好的識別率和魯棒性。

參考文獻(xiàn)：

[1]李瑞峰，王亮亮，王珂.人體動作行為識別研究綜述[J].模式識別與人工智能，2014，27（1）：35-48.

[2]Shotton J，Kipman A，Kipman A，et al.Real-time human pose recognition in parts from single depth images[J].Communications of the ACM，2013，56（1）：116-124.

[3]Yang X，Tian Y L.Super normal vector for activity recognition using depth sequences[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition，2014：804-811.

[4]Oreifej O，Liu Z.HON4D：Histogram of oriented 4D normals for activity recognition from depth sequences[J].Computer Vision and Pattern Recognition，2013，9（4）：716-723.

[5]Rahmani H，Mahmood A，Du Q H，et al.HOPC：Histogram of oriented principal components of 3D pointclouds for action recognition[C]//Proceedings of European Conference on Computer Vision，2014：742-757.

[6]李正欣，張鳳鳴，李克武，等.一種支持DTW距離的多元時間序列索引結(jié)構(gòu)[J].軟件學(xué)報，2014，25（3）：560-575.

[7]Bobick A F，Wilson A D.Using configuration states for the representation and recognition and gesture[R].Cambridge，Massachusetts：MIT Media Lab Perceptual Comuting Section Technical Report，1995.

[8]Ji X，Liu H，Li Y.Human actions recognition using fuzzy PCAanddiscriminativehiddenmodel[C]//Proceedings of IEEE International Conference on Fuzzy Systems，2010：1-6.

[9]Murphy K P.Dynamic bayesian networks[C]//Proceedings of Probabilistic Graphical Models.2002：27-56.

[10]Bartlett M S，Littlewort G，F(xiàn)rank M，et al.Recognizing facial expression：Machine learning and application to spontaneous behavior[C]//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2005：568-573.

[11]張順，龔怡宏，王進(jìn)軍.深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在計算機(jī)視覺領(lǐng)域的應(yīng)用[J].計算機(jī)學(xué)報，2017（S）：1-29.

[12]Chang Chihchung，Lin Chihjen.LIBSVM：A library for support vector machines[J].ACM Transactions on Intelligent Systems and Technology，2011，2（3）：1-27.

[13]Fan R E，Chang K W，Hsieh C J，et al.LIBLINEAR：A library for large linear classification[J].Journal of Machine Learning Research，2008，9：1871-1874.

[14]李光早，王士同.基于骨干粒子群的彈性稀疏人臉識別[J].計算機(jī)工程與應(yīng)用，2017，53（17）：143-148.

[15]劉舉勝，何建佳，李鵬飛.基于CAS理論的改進(jìn)PSO算法[J].計算機(jī)工程與應(yīng)用，2017，53（5）：57-63.

[16]Yu C N，Mirowski P，Ho T K.A sparse coding approach to household electricity demand forecasting in smart grids[J].IEEE Transactions on Smart Grid，2017，8（2）：738-748.

[17]Kennedy J，Eberhart R.Particle swarm optimization[C]//Proceedings of IEEE International Conference on Neural Networks，2002：1942-1948.

[18]任江濤，趙少東，許盛燦，等.基于二進(jìn)制PSO算法的特征選擇及SVM參數(shù)同步優(yōu)化[J].計算機(jī)科學(xué)，2007，34（6）：179-182.

[19]Shi Y，Eberhart R.A modified particle swarm optimizer[M]//Advances in Natural Computation.Berlin Heidelberg：Springer，1998.

[20]胡旺，李志蜀.一種更簡化而高效的粒子群優(yōu)化算法[J].軟件學(xué)報，2007，18（4）：861-868.

[21]Li W，Zhang Z，Liu Z.Action recognition based on a bag of 3D points[C]//Proceedings of Computer Vision and Pattern Recognition Workshops，2010：9-14.

[22]Wang J，Liu Z，Chorowski J，et al.Robust 3D action recognition with random occupancy patterns[C]//Proceedings of European Conference on Computer Vision，2012：872-885.

[23]Xia L，Chen C C，Aggarwal J K.View invariant human action recognition using histograms of 3D joints[C]//Proceedings of European Conference on Computer Vision，2012：20-27.