王 瓊，王 旭，劉云麟，任偉建，3*

(1. 東北石油大學(xué)電氣信息工程學(xué)院，黑龍江 大慶 163318；2. 哈爾濱電氣國(guó)際工程有限責(zé)任公司，黑龍江 哈爾濱 150000；3. 黑龍江省網(wǎng)絡(luò)化與智能控制重點(diǎn)實(shí)驗(yàn)室，黑龍江 大慶 163318)

1 引言

長(zhǎng)期以來，基于視頻的人體行為識(shí)別一直是計(jì)算機(jī)視覺中視頻分析領(lǐng)域的熱點(diǎn)話題[1]，在諸多領(lǐng)域中具有重大的研究意義以及應(yīng)用價(jià)值。圖像分類是按照?qǐng)D像中的目標(biāo)進(jìn)行軟分類，基于視頻的行為識(shí)別和圖像分類原理上較為相似，但相比于圖像分類，視頻多了一個(gè)時(shí)序維度，而這個(gè)問題恰恰是目前計(jì)算機(jī)領(lǐng)域的研究難點(diǎn)[2]。

目前的行為識(shí)別算法中，基于密集軌跡算法的技術(shù)是研究熱點(diǎn)之一[3]。許多學(xué)者以該算法的理念進(jìn)行改進(jìn)獲得更好的識(shí)別效果。朱偉[4]等人通過人體姿態(tài)估計(jì)模塊檢測(cè)人體并定位，再對(duì)人體進(jìn)行密集點(diǎn)采樣，以部位關(guān)鍵點(diǎn)軌跡取代原算法的全圖密集關(guān)鍵點(diǎn)軌跡；程海栗[5]等提出了采用運(yùn)動(dòng)顯著性圖來確定人體區(qū)域的方法，取得了較好的效果；王健弘[6]等提出通過融合運(yùn)動(dòng)、視覺顯著性圖等信息構(gòu)建的綜合顯著性圖來描述人體區(qū)域的方法；李嵐[7]等提出了一種新的特征加權(quán)的融合方法，將基于稠密軌跡(Dense Trajectory)的特征與時(shí)空興趣點(diǎn)特征(STIP)加權(quán)融合，并通過支持向量機(jī)(SVM)分類學(xué)習(xí)實(shí)現(xiàn)行為識(shí)別。以上研究學(xué)者都采取了相應(yīng)方法獲取人體運(yùn)動(dòng)區(qū)域，避免了背景光流所帶來的影響，但是學(xué)者們忽略了特征點(diǎn)長(zhǎng)時(shí)間跟蹤形成軌跡存在著軌跡漂移現(xiàn)象，以及在分類過程中分類器對(duì)數(shù)據(jù)集的兼容性問題。

通過對(duì)傳統(tǒng)密集軌跡算法以及各位學(xué)者對(duì)其改進(jìn)方式的分析，發(fā)現(xiàn)使用軌跡技術(shù)對(duì)人體行為識(shí)別存在兩個(gè)關(guān)鍵點(diǎn)：有效軌跡的獲取和分類器的可靠性。針對(duì)這兩個(gè)問題，采用選擇性搜索策略[8]來獲取目標(biāo)人體區(qū)域，根據(jù)顯著性信息對(duì)區(qū)域中有效軌跡進(jìn)行提純，然后使用改進(jìn)蜂群算法優(yōu)化后的支持向量機(jī)對(duì)人體行為進(jìn)行識(shí)別。

2 有效區(qū)域的軌跡提純

2.1 有效區(qū)域的獲取

應(yīng)用選擇性搜索方法獲取視頻圖像人體運(yùn)動(dòng)區(qū)域，這種生成候選區(qū)域的方法具有運(yùn)算效率快和覆蓋范圍全面等優(yōu)勢(shì)，在視頻圖像各領(lǐng)域均得到了廣泛應(yīng)用[8]。該算法利用分割算法得到原始區(qū)域，再計(jì)算相鄰區(qū)域內(nèi)顏色相似度、紋理相似度、大小和吻合相似度后進(jìn)行迭代，從而獲得若干個(gè)可能的目標(biāo)區(qū)域。將該方法獲取視頻圖像人體運(yùn)動(dòng)區(qū)域的具體步驟如下：

首先提取視頻的起始幀，使用圖像分割算法將圖片分割成多個(gè)候選區(qū)域R={r1，r2，…rn}，并對(duì)這些候選區(qū)中相鄰區(qū)域按上述給出的公式計(jì)算顏色、紋理、大小和形狀交疊四個(gè)相似度獲得最終相似度的準(zhǔn)則進(jìn)行合并找出相似度最高的兩個(gè)新集進(jìn)行合并rt=ri∪rj；

然后將與ri和rj相關(guān)數(shù)據(jù)從S集合種移除，計(jì)算合并后的新集合rt和與它相鄰所有區(qū)域的相似性S(rt，r*)，繼續(xù)遵循相似度準(zhǔn)則進(jìn)行合并直至S集合為空，重復(fù)以上步驟即可得到包含人體目標(biāo)位置的多個(gè)候選區(qū)域r；

最后得到的候選框均為矩形，因此可以通過候選區(qū)的中心點(diǎn)r(xi，xj)獲取候選區(qū)的位置，通過獲取各候選區(qū)的[w，，hi]寬度和高度得知候選區(qū)的覆蓋范圍，當(dāng)ri∩rj不為空集時(shí)，則令ri∪rj，直至ri∩rj為空，則所求得的rt就是所需的人體目標(biāo)區(qū)域，在獲得的候選區(qū)域內(nèi)進(jìn)行密集采樣即可獲得有效區(qū)域密集特征點(diǎn)。

2.2 有效軌跡提純

2.2.1 密集軌跡

密集軌跡算法是一種基于多特征融合的人體行為識(shí)別算法，對(duì)視頻原始幀進(jìn)行特征提取后使用分類器進(jìn)行分類。該算法主要使用的是軌跡特征，但所有軌跡都是依據(jù)光流計(jì)算得到的[9]。

(1)

設(shè)采集到的某個(gè)特征點(diǎn)為Pt=(xt，yt)，則通過式(2)式計(jì)算該特征點(diǎn)在下一幀的位置：

Pt+1=(xt+1，yt+1)=(xt，yt)+(M*ωt)|xt，yt

(2)

式(2)中ωt=(ut，vt)為由視頻t幀It和下一幀It+1計(jì)算得到的密集光流場(chǎng)，u和v分別代表了光流的水平分量和垂直分量。M代表尺寸為3*3的中值濾波器，該式是利用計(jì)算鄰域內(nèi)的光流中值來獲得特征點(diǎn)的運(yùn)動(dòng)方向。采集到的某個(gè)特征點(diǎn)在連續(xù)的L幀圖像上的位置即構(gòu)成了一段軌跡(Pt，Pt+1，…Pt+L)，對(duì)位移矢量進(jìn)行正則化操作就可以得到軌跡特征描述子。其正則化公式如式(3)所示

(3)

2.2.2 基于運(yùn)動(dòng)顯著性信息的有效軌跡提純

由于特征點(diǎn)長(zhǎng)時(shí)間跟蹤會(huì)導(dǎo)致軌跡漂移問題。引入運(yùn)動(dòng)顯著性信息來衡量特征點(diǎn)變化程度，設(shè)定閾值濾除掉大于閾值的特征點(diǎn)，減小該問題對(duì)后續(xù)計(jì)算特征描述子的不良影響。這里獲取的是動(dòng)態(tài)運(yùn)動(dòng)顯著性信息，采用特征點(diǎn)光流特征與周邊區(qū)域的平均光流差異來衡量運(yùn)動(dòng)顯著性，獲得更優(yōu)的顯著性信息，來達(dá)到更好的有效軌跡提純效果。

周邊區(qū)域采用的是Achanta R[10]在2010年提出的對(duì)稱周邊區(qū)域定義，設(shè)特征點(diǎn)坐標(biāo)為(x，y)，則對(duì)稱周邊區(qū)域可表示成

A(x，y)={(x′，y′)||x-x′|≤Δx，|y-y′|≤Δy}

(4)

其中偏移量Δx和Δy定義為

(5)

式中w和h分別代表該視頻幀的寬度和高度。根據(jù)不同特征點(diǎn)的位置不同，其對(duì)稱區(qū)域的大小范圍會(huì)發(fā)生變化。根據(jù)周邊區(qū)域定義，采用x2距離作為衡量標(biāo)準(zhǔn)來表示特征點(diǎn)與周邊區(qū)域光流直方圖的差異。

運(yùn)動(dòng)顯著性定義為

St(Pt，i)=Dχ2(H(A4(i))，H(A(i)))

(6)

式(6)中S(Pt，i)為表示第t幀圖像特征點(diǎn)i的顯著性強(qiáng)度，A4(i)表示特征點(diǎn)i的四鄰域，H表示直方圖信息，hj表示直方圖中所對(duì)應(yīng)的第j個(gè)bin值。

使用這種方法獲取顯著性強(qiáng)度的好處是不會(huì)增加過多的額外計(jì)算量，避免給算法帶來過大的負(fù)擔(dān)。則特征點(diǎn)相鄰兩幀的運(yùn)動(dòng)顯著性差異表示如下

T1={Pt，i|Pt，i∈T，|St+1(Pt+1，i)-St(Pt，i)|≤η}

(7)

式(7)中Ti={Pt，i}代表為提純的軌跡，其中Pt，i為表示第t幀圖像特征點(diǎn)i的坐標(biāo)位置(x，y)，對(duì)變化過于劇烈的點(diǎn)，即相鄰兩幀間特征點(diǎn)的顯著性強(qiáng)度差值大于閾值η，定義為發(fā)生軌跡漂移的特征點(diǎn)，則提純軌跡位移矢量特征描述因子表示為式(8)，最后對(duì)軌跡位移特征進(jìn)行正則化處理

ΔT1={ΔPt，i=Pt+1，i-Pt，i|Pt，i∈T1}

(8)

正則化公式如式(18)所示

(9)

沿著軌跡構(gòu)成的空間-時(shí)空體計(jì)算方向梯度直方圖[11](HOG)、光流直方圖[12](HOF)和運(yùn)動(dòng)邊界直方圖[3](MBH)，將這些特征描述子進(jìn)行特征編碼后送入非線性RBF核支持向量機(jī)[13](SVM)進(jìn)行分類，從而達(dá)到人體行為識(shí)別的目的。

3 基于改進(jìn)人工蜂群算法的支持向量機(jī)參數(shù)優(yōu)化

獲得提純后的軌跡后，要選擇一個(gè)優(yōu)良的分類器。支持向量機(jī)在針對(duì)解決非線性、小樣本數(shù)據(jù)有著明顯的優(yōu)勢(shì)，但其在處理不同類型數(shù)據(jù)時(shí)，仍需要設(shè)置相關(guān)重要的參數(shù)。對(duì)此提出采用改進(jìn)型人工蜂群算法對(duì)支持向量機(jī)進(jìn)行參數(shù)優(yōu)化，針對(duì)各種類型的數(shù)據(jù)均能自動(dòng)獲得最優(yōu)性能參數(shù)來提升算法在各個(gè)數(shù)據(jù)集的兼容性以及獲得更高的準(zhǔn)確率。

3.1 改進(jìn)的人工蜂群算法(IABC)

人工蜂群(ABC)算法[14]是模仿蜜蜂采蜜所提出的一種智能優(yōu)化算法，它是由蜜源、雇傭蜂和非雇傭蜂三部分組成。算法首先對(duì)有關(guān)參數(shù)進(jìn)行初始化，其中包括確定種群數(shù)SN、最大迭代次數(shù)MCN、控制參數(shù)limit和確定搜索空間范圍在搜索空間中隨機(jī)生成初始解Xi=(Xi，1，Xi，2…Xi，D)，代表著種群中第i個(gè)蜜源的位置，D為問題的維度初始化種群位置可由式(10)生成

(10)

在雇傭蜂時(shí)期，雇傭蜂會(huì)根據(jù)記憶中的蜜源位置進(jìn)行鄰居搜索，尋找花蜜量更好的蜜源位置，尋找更優(yōu)蜜源位置的工作由式(11)完成

Vi，j=Xi，j+ri，j·(Xi，j-Xk，j)

(11)

式(11)中，Vi，j表示第i個(gè)個(gè)體在第j維產(chǎn)生的新值；Xi，j和Xk，j分別代表第i個(gè)個(gè)體和第k個(gè)個(gè)體的第j維蜜源，其中k∈[1，SN]，且k≠i；ri，j是[-1，1]之間的隨機(jī)實(shí)數(shù)。解的適應(yīng)值，可以通過式(11)轉(zhuǎn)化成最小化問題來求解。

(12)

式(12)中，fiti代表第i個(gè)個(gè)體Xi的適應(yīng)度，f(Xi)為Xi對(duì)于優(yōu)化問題的函數(shù)值。

在跟隨蜂時(shí)期，跟隨蜂會(huì)根據(jù)這些信息使用輪盤賭的方式進(jìn)行一種隨機(jī)的選擇。其個(gè)體被選中概率計(jì)算公式如式(13)所示

(13)

當(dāng)食物源被跟隨蜂選中后，再利用式(13)產(chǎn)生鄰居蜜源，再計(jì)算其適應(yīng)度值，若新解的適應(yīng)度值比之前蜜源的適應(yīng)度值高，則跟隨蜂將記住新解；反之將保留舊解。

針對(duì)傳統(tǒng)ABC算法存在接近最優(yōu)解時(shí)可能陷入局部最優(yōu)和后期收斂速度較慢等問題，提出一種改進(jìn)的人工蜂群算法(IABC)。首先考慮到初始種群的質(zhì)量對(duì)整體尋優(yōu)結(jié)果的影響，引入分段Logistic混沌映射來初始化種群，然后考慮隨著算法不斷迭代到達(dá)后期時(shí)，可能會(huì)出現(xiàn)接近最優(yōu)的解，提出一種新的搜索策略：讓雇傭蜂和偵察蜂依據(jù)具體搜索過程中獲得的信息進(jìn)行有針對(duì)性的搜索，而不是按照一個(gè)策略進(jìn)行隨機(jī)搜索。

分段Logistic混沌映射算子如式(14)所示

(14)

式(14)中，μ為控制參數(shù)，當(dāng)μ的值為4時(shí)，則處于完全的混沌狀態(tài)，可由不同的初值迭代出不同的序列。

更新搜索公式如式(15)所示

(15)

其中ri，j∈[-1，1]，是一個(gè)隨機(jī)數(shù)，保證了算法最優(yōu)位置附近尋優(yōu)時(shí)仍具備一定的隨機(jī)性；Gi，j全局最優(yōu)解位置，將式(11)中隨機(jī)選擇的鄰居改為選擇當(dāng)前發(fā)現(xiàn)的最優(yōu)蜜源。由式(15)可以看出，隨著算法進(jìn)行到中后期，在引入全局最優(yōu)位置的引導(dǎo)下，縮小了算法的尋優(yōu)范圍，進(jìn)一步提高算法在中后期的開采能力。

3.2 支持向量機(jī)的參數(shù)優(yōu)化

采用的非線性支持向量機(jī)的分類函數(shù)[11]如式(16)所示

(16)

其中k(xi，x)為核函數(shù)，α和b為拉格朗日參數(shù)。采用徑向基核函數(shù)為SVM分類函數(shù)，如式(17)所示

(17)

式(17)中σ是RBF是函數(shù)寬度。

采用改進(jìn)后的人工蜂群算法對(duì)參數(shù)σ和C進(jìn)行優(yōu)化，來獲得更優(yōu)的識(shí)別效果。采用誤分率的倒數(shù)作為IABC算法的適應(yīng)度函數(shù)如式(18)所示

(18)

式中，Vacc為支持向量機(jī)的的識(shí)別準(zhǔn)確率。

對(duì)SVM進(jìn)行參數(shù)優(yōu)化的具體步驟為：

1)對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理操作，將數(shù)據(jù)集分為訓(xùn)練集A和測(cè)試集B；

2)初始化IABC算法各個(gè)參數(shù)，確定種群的搜索范圍，并在搜索范圍內(nèi)利用分段Logistic混沌映射獲取初始種群xi(i=1，2，…，SN)，每個(gè)解是一個(gè)二維向量(C，σ)；

3)對(duì)非線性支持向量機(jī)進(jìn)行初始化，核函數(shù)選擇RBF徑向基核函數(shù)，使用支持向量機(jī)對(duì)訓(xùn)練集A進(jìn)行機(jī)器學(xué)習(xí)得到訓(xùn)練模型，對(duì)上一步的學(xué)習(xí)結(jié)果模型使用測(cè)試集B進(jìn)行驗(yàn)證，輸出訓(xùn)練集中每個(gè)視頻預(yù)測(cè)的行為種類結(jié)果，每預(yù)測(cè)正確一個(gè)視頻，計(jì)數(shù)器加1，最后獲得整個(gè)測(cè)試集分類正確視頻的個(gè)數(shù)，最終與整個(gè)測(cè)試集視頻數(shù)相除，即可得到支持向量機(jī)的識(shí)別準(zhǔn)確率即Vacc，獲得個(gè)體的適應(yīng)度值；

4)在雇傭蜂階段：根據(jù)算法的迭代次數(shù)獲得合適的新解，并獲得新解的適應(yīng)度值，判斷新解的適應(yīng)度值是否大于原解的適應(yīng)度值，若大于原解，則更新已有蜜源；

5)在跟隨蜂階段：通過貪婪算法選擇蜜源后，同樣在其附近尋找新蜜源，經(jīng)比較兩者的適宜度后，保留更優(yōu)蜜源并更新蜜源；

6)如果某只跟隨蜂連續(xù)lim it次未能找到更好的蜜源，則進(jìn)入偵察蜂階段，當(dāng)前跟隨蜂變?yōu)閭刹旆?，產(chǎn)生一個(gè)新的蜜源代替淘汰的蜜源；

7)判斷是否符合終止條件，若符合終止條件，此時(shí)蜜源(參數(shù))即為找到的優(yōu)化的[C，σ]參數(shù)值；

8)根據(jù)最優(yōu)蜜源獲得的最優(yōu)參數(shù)建立RBF核SVM分類模型，進(jìn)行人體行為識(shí)別最終的識(shí)別過程。

為了驗(yàn)證經(jīng)過改進(jìn)人工蜂群算法對(duì)支持向量機(jī)優(yōu)化后的性能，使用KTH[15]數(shù)據(jù)集驗(yàn)證提出識(shí)別方法的可行性，實(shí)驗(yàn)使用libsvm中的開源 程序進(jìn)行改進(jìn)，相關(guān)參數(shù)設(shè)置為：

初始種群SN數(shù)目為60，雇傭蜂數(shù)量為30；因?yàn)樾枰獌?yōu)化參數(shù)C和σ，所以維數(shù)D為2，將參數(shù)C和σ的隨機(jī)組合編譯為蜜源位置Xi，j；種群的搜索范圍為[0.1，500]，最大搜索次數(shù)lim it設(shè)置為30，最大迭代次數(shù)MCN設(shè)置為90，循環(huán)終止條件定義為算法迭代5次得到的適應(yīng)度值不變即結(jié)束循環(huán)，經(jīng)過算法輸出的最優(yōu)參數(shù)的C和σ分別是247.29和1.36，改進(jìn)蜂群算法與傳統(tǒng)人工蜂群算法優(yōu)化支持向量機(jī)參數(shù)的迭代收斂曲線如圖1所示。

圖1 改進(jìn)人工蜂群優(yōu)化參數(shù)收斂曲線

由圖1觀察得知，改進(jìn)人工蜂群算法在優(yōu)化支持向量機(jī)參數(shù)上能夠更快地收斂到最優(yōu)解，并且獲得的適應(yīng)度值更優(yōu)。這是因?yàn)楦倪M(jìn)的蜂群搜索策略在算法中后期，蜜蜂搜索新值時(shí)將已經(jīng)搜索到的最優(yōu)解的位置代替隨機(jī)生成解的位置，增強(qiáng)了算法尋優(yōu)收斂速度和開采能力。

為驗(yàn)證優(yōu)化后分類器的性能，使用混淆矩陣作為驗(yàn)證算法的性能評(píng)價(jià)指標(biāo)?；煜仃嚨拿恳涣写砹祟A(yù)測(cè)類型，其總數(shù)表示預(yù)測(cè)為該類別的數(shù)據(jù)數(shù)目；每一行代表了數(shù)據(jù)的真實(shí)歸屬類別，其總數(shù)表示該類別的數(shù)據(jù)實(shí)例的數(shù)目，兩個(gè)算法在KTH數(shù)據(jù)集上的混淆矩陣分別如表1和表2所示。

表1 ABC算法在KTH數(shù)據(jù)集上的混淆矩陣

表1中主對(duì)角線上數(shù)值代表該行為動(dòng)作在整個(gè)數(shù)據(jù)集上的識(shí)別正確率，例如“拳擊”動(dòng)作的準(zhǔn)確率為0.98，橫向觀察第一行，在“鼓掌”動(dòng)作下的數(shù)值為0.02，表示“拳擊”動(dòng)作在判別時(shí)有0.02的誤差率將本屬于“拳擊”類別的視頻分類到了“鼓掌”動(dòng)作上，通過表1可以非常清晰的看到原算法識(shí)別各個(gè)行為動(dòng)作的誤差率。

表2 IABC算法在KTH數(shù)據(jù)集上的混淆矩陣

通過比較表1和表2兩個(gè)混淆矩陣可以發(fā)現(xiàn)，IABC算法在識(shí)別性能上優(yōu)于原算法。IABC算法對(duì)拳擊和揮手兩個(gè)動(dòng)作均識(shí)別正確，鼓掌行為的識(shí)別率有0.97，其誤差率有0.03落在了揮手上；而走路、慢跑、跑步三個(gè)行為相似度較大，有一定的混淆性，但相比于原算法，每個(gè)行為的識(shí)別率均有所提升，表3給出兩種方法在KTH數(shù)據(jù)集上的整體識(shí)別率。

表3 兩種方法在KTH數(shù)據(jù)集上的總體識(shí)別率

通過表3可以看出，在每個(gè)動(dòng)作分類更為準(zhǔn)確的前提下，改進(jìn)后的 IABC算法比傳統(tǒng)ABC算法的整體識(shí)別率提升了1.4%，說明了該算法的有效性。

4 算法驗(yàn)證與分析

采用相比KTH數(shù)據(jù)集更接近真實(shí)環(huán)境的UCF101[17]以及HMDB51[18]兩個(gè)公開數(shù)據(jù)集對(duì)改進(jìn)算法進(jìn)行驗(yàn)證，實(shí)驗(yàn)采用Opencv、Ffmpeg和LibSVM軟件進(jìn)行編譯。

4.1 相關(guān)參數(shù)設(shè)置

選擇性搜索主要參數(shù)設(shè)置：初始分割區(qū)域?yàn)镽=1000，各個(gè)相似度的比例權(quán)重均為1，最大候選區(qū)域覆蓋像素為2000，軌跡提純所需閾值η采用實(shí)驗(yàn)驗(yàn)證的方式選取，以0.1為增量進(jìn)行實(shí)驗(yàn)。

圖2 不同參數(shù)η對(duì)兩種數(shù)據(jù)集識(shí)別結(jié)果的影響

通過圖2可以看出，當(dāng)參數(shù)η=0.6時(shí)，兩個(gè)數(shù)據(jù)集分別取得85.9%和62.2%的識(shí)別效果，當(dāng)η=0.62時(shí)，算法在兩個(gè)數(shù)據(jù)集均獲得最好效果，識(shí)別率分別為86.2%和62.4%，因此選取參數(shù)η=0.62作為實(shí)驗(yàn)最優(yōu)參數(shù)。隨機(jī)抽取UCF101共450段視頻、HMDB51共360段視頻作為模擬數(shù)據(jù)集，訓(xùn)練集和測(cè)試集的比例約為2：1，保證每個(gè)行為種類都被抽取，優(yōu)化的各個(gè)參數(shù)設(shè)定跟第2節(jié)保持一致，算法輸出兩個(gè)模擬數(shù)據(jù)集的最優(yōu)參數(shù)如表4所示。

表4 IABC在兩個(gè)模擬數(shù)據(jù)集上的SVM分類最優(yōu)參數(shù)

4.2 實(shí)驗(yàn)結(jié)果與對(duì)比

改進(jìn)算法可視化以UCF101數(shù)據(jù)集中“轉(zhuǎn)呼啦圈”為例，對(duì)該視頻幀進(jìn)行選擇性搜索，獲得人體主體區(qū)域，即有效區(qū)域，效果如圖3所示。

圖3 “轉(zhuǎn)呼啦圈”有效區(qū)域獲取

從圖3的有效區(qū)域獲取來看，改進(jìn)算法采用選擇性搜索算法的多個(gè)候選區(qū)域?qū)⑷梭w主體完全覆蓋在內(nèi)，而改進(jìn)算法與原算法在兩個(gè)行為上提取軌跡效果對(duì)比如圖4所示(左為ABC，右為IABC)。

圖4 “跳傘”軌跡效果實(shí)驗(yàn)對(duì)比

觀察圖4，發(fā)現(xiàn)視頻在經(jīng)過選擇性搜索確定主體區(qū)域后，特征軌跡更加集中于人體，起到了有效的減少背景冗余信息，提高算法的計(jì)算效率的作用。

為了驗(yàn)證提出算法的效率，列出幾種行為動(dòng)作采樣的經(jīng)過提純后的軌跡數(shù)目與原算法進(jìn)行比較，比較結(jié)果如表5所示。

表5 改進(jìn)后算法與原算法軌跡數(shù)目比較

從表5可以看出，“彈吉他”動(dòng)作使用兩種算法獲得軌跡數(shù)量比為83.8%，通過分析發(fā)現(xiàn)因?yàn)椤皬椉边@個(gè)動(dòng)作主要集中在人體運(yùn)動(dòng)部位，因此效果不明顯。

為了進(jìn)一步驗(yàn)證算法的性能，使用改進(jìn)后算法與多種經(jīng)典算法在應(yīng)用于UCF101和HMDB51兩個(gè)數(shù)據(jù)集上整體行為識(shí)別準(zhǔn)確率進(jìn)行比較，具體如表6所示。

表6 多種算法在行為識(shí)別數(shù)據(jù)集上的準(zhǔn)確率

由表6可以看出，與改進(jìn)后算法進(jìn)行比較的既涵蓋STIP+BOV、DT+BOV等方式的傳統(tǒng)機(jī)器學(xué)習(xí)方法，又包括例如C3D、motion-C3D-LSTM等的深度學(xué)習(xí)方法，與這兩大種類的算法進(jìn)行準(zhǔn)確率對(duì)比，發(fā)現(xiàn)改進(jìn)后算法無論在UCF101數(shù)據(jù)集上或是HMDB51數(shù)據(jù)集上準(zhǔn)確率均有一定的提升，證明了算法的有效性。

5 結(jié)論

通過對(duì)密集軌跡算法進(jìn)行分析，針對(duì)其存在的缺陷進(jìn)行改進(jìn)，并對(duì)改進(jìn)后算法的性能進(jìn)行驗(yàn)證與分析。首先使用選擇性搜索確定人體運(yùn)動(dòng)區(qū)域，消除背景光流對(duì)識(shí)別效果的干擾；其次計(jì)算特征點(diǎn)相鄰幀的運(yùn)動(dòng)顯著性，濾除大于閾值的軌跡，以減小軌跡漂移現(xiàn)象產(chǎn)生的不良影響；最后采用改進(jìn)的人工蜂群算法對(duì)支持向量機(jī)進(jìn)行參數(shù)優(yōu)化，以提升分類器的準(zhǔn)確率和算法對(duì)于不同數(shù)據(jù)集的兼容性。通過實(shí)驗(yàn)將改進(jìn)后算法與其它經(jīng)典人體行為識(shí)別方法在UCF101和HMDB51兩個(gè)數(shù)據(jù)集進(jìn)行對(duì)比，證明了提出算法的有效性。