郭春璐，陶琳



特征选择和分类器参数优化联合进行的人体行为识别

郭春璐，陶琳

特征选择和分类器参数优化是提高人体行为识别率的关键技术，针对当前模型没有考虑两者之间的联系不足，为了提高人体行为的识别率，提出了一种特征选择和分类器参数优化联合进行的人体行为识别模型。首先，分析当前人体行为识别研究的现状，并建立人体行为识别特征和分类器参数优化的数学模型；然后，利用改进粒子群算法对数学模型进行求解，建立最优的人体行为识别模型；最后，通过仿真实验测试其性能。结果表明，其模型克服了人体行为识别模型的缺陷，提高了人体行为识别率，识别速度也要快于对比模型。

人体行为；特征选择；分类器参数优化；粒子群算法

0 引言

人体行为识别作为人体运动分析的高级阶段，在人机交互、安全监控和医疗诊断等领域具有广泛的应用前景，然而人体行为复杂且多样，因此，如何准确识别人体行为成为计算机视觉研究中的热点问题[1,2]。

针对人体行为识别问题，国内外学者对其做了大量、深入的研究，取得了不错的研究成果[3]。人体行为识别首先从图像序列中检测人体目标，提取行为特征；然后对人体行进行分类和识别[4]。因此人体行为识别中的关键技术为：特征提取与分类器的设计，其中特征提取优劣直接影响后续的人体行为识别[5,6]。为了更加准确描述人体行为，人们都尽可能多的提取人体行为特征，使得特征之间出现冗余信息，不包含一些无用或者甚至干扰人体行为识别的特征，为此需要对特征进行选择，选择对人体行为识别有重要贡献的特征，降低特征维数[7]。当前特征选择方法有主成分分析、核主成分分析、遗传算法以及其它群智能算法[8-10]，其中主成分分析、核主成分分析可以有效减少特征维数，但提取特征的可解释性差，遗传算法以及其它群智能算法通过强大搜索能力从原始特征中找到有利于提高人体行为识别的特征，消除特征之间的冗余，应用更加广泛。当前人体行为识别的分类器主要基于K最近邻算法、神经网络以及支持向量机等[11-14]，K最近邻法根据样本之间的距离实现人体行为识别，而人体行为特征与行为类别之间不是一种固定的线性映射关系，因此识别效果比较差；神经网络可以较好地描述人体行为特征与行为类别之间的映射关系，但是基于经验风险最大化原则，训练过程中要求样本数量多，不然就会出现“欠学习”或者“过拟合”缺陷。相对于神经网络，支持向量机在小样本条件下可以获得较好的人体行为识别结果，当前主要用于构建人体行为分类器，然而支持向量机的参数对人体行为识别结果具有重要的影响。

当前人体行为识别的建模与分类过程中，特征选择和支持向量机参数分开进行，没有考虑两者之间的联系，为了提高人体行为的识别率，本文提出一种特征选择和分类器参数进行联合优化的人体行为识别模型，实验结果表明，本文模型可以不仅可以选择最优的人体行为特征，而且建立了最优人体行为识别的分类器，获得理想的人体行为识别结果。

1 提取人体行为特征

设人体行为图像点的(x,y)的灰度值为f(x,y)，那么人体行为图像的(p+q)阶矩为公式（1）：

为了保证图像对缩放、旋转和平移不变性，求得(p+q)阶中心矩为公式（2）：

， （3）

（5）

（6）

（8）

（9）

2 支持向量机的人体行为分类器

设训练集的样本数为n，训练集为：

， （11）

公式（11）中，w和b分别为权值向量及偏移量。

根据结构风险最小化原则，式（11）可转化为如下优化问题，即公式（12）：

引入拉格朗日乘子变为凸二次优化问题如公式（13）：

为了加快求解速度，将公式（12）转成对偶形式，即有公式（14）：

引入函数K(xi,x)代替向量内积(φ(xi),φ(x))，那么支持向量机的分类决策函数为公式（15）：

（15）

SVM是二分类器，而人体行为识别是一种多分类问题，必须构造多分类器才能进行人体行为识别，本文采用的是“一对多”的分类器结构。

3 本文的人体行为识别模型

3.1 人体行为特征和分类器参数优化的数学模型

人体行为特征和分类器参数优化目标都是提高人体行为识别正确率，特征和分类大参数联合优化的数学模型为公式（16）：

公式（16）中，S表示特征子集；M表示LSSVM参数。

3.2 改进粒子群算法

设i=(i1,i2,…,id)，i=(i1,i2,…,id)分别表示第i个粒子的位置和速度；i=(i1,i2,…,id)为粒子当前最优位置；g=(g1,g2,…,gd)为种群历史最优位置。粒子的速度和位置更新方式为公式（17）：

公式（17）中，k是迭代次数，ω为惯性权重，c1、c2为学习因子，r1、r2为随机数。

引入一种自适应调整的惯性权重的方法，将其设为随迭代次数线性改变的变量，具体如公式（18）：

公式（18）中，ωmin、ωmax分别为ω最小值和最大值；f为个体适应度；favg和fmin分别为粒子群平均和最小适应度值。

将c1、c2分别设置为随迭代次数单调递减函数和单调递增的函数，构造的单调函数为公式（19）：

公式（19）中，k为当前迭代次数；Kmax为粒子群的最大迭代次数。

3.3 人体行为自动识别步骤

（1）收集人体行为识别特征，并采用式(20)对特征进行归一化处理，如公式（20）：

（2）并初始化粒子群，每一个粒子由人体行为特征子集、分类器(SVM)参数组成。

（3）计算每个粒子的适应度值，并更新自身历史最优的位置和粒子群的最优位置。

（4）自适应调整惯性权重，并更新粒子的速度和位置。

（5）如满足算法的结束，根据最优位置得到最优人体行为特征子集和分类器参数。

（6）根据最优特征子集和最优参数的分类器建立人体行为识别模型。

4 仿真实验

4.1 数据源

英特尔酷睿 4核 2.8 GHz CPU，8G RAM，800G HDD，Windows XP的计算机上，采用Matlab 2012工具箱进行人体行为识别的仿真实验，主要用于识别走，蹲，坐，弯腰，跑五种不同类型的行为，各种待业的样本数量如表1所示：

表1 实验样本分布

采用粒子群算法选择特征，分类器参数随机确定（SVM1）；原始特征，粒子群算法选择分类器（SVM2）；粒子群算法分别选择特征和分类器参数（SVM3）的人体行为识别模型进行对照实验。

4.2 结果与分析

4.2.1 人体行为的识别结果

采用表1的人体行为训练样本进行学习，建立人体行为识别模型，然后采用测试样本对其性能进行测试，结果分别如图1所示：

图1 SVM1的人体行为识别结果

图1的实验结果进行对比分析，可以得到如下结论：

（1）相对于SVM1和SVM2，SVM3的人体行为识别率得到了提高，误识率相对较低，主要是SVM3采用粒子群算法分别对人体行为特征和分类器参数进行了优化，降低了特征维数，而且分类器的参数更优，获得更好的人体行为识别结果，如图2所示：

图2 SVM2的人体行为识别结果

（2）相对于SVM3，本文模型的人体行为识别正确率更高，人体行为的识别结果更加理想，主要是由于本文模型采用粒子群优化算法同时对人体行为特征和分类器参数进行了联合优化，考虑了人体行为特征和分类器参数之间的联系，建立性能优异的人体行为识别模型，降低了误识率，人体行为识别结果更加可靠，如图3、图4所示：

图3 SVM3的人体行为识别结果

图4 本文模型的人体行为识别结果

4.2.2 识别速度比较

对各种模型的人体行为平均识别时间（秒，s）进行统计，结果如表2示：

表2 不同模型的人体行为识别效率比较

在所有的人体行为识别模型，本文模型的平均识别时间最少，这表明本文模型的人体行为平均识别速度最快，识别效率最高，可以满足了人体行为识别的实际要求。

5 总结

为了提高人体行为的识别正确率，考虑人体行为识别存在的一些问题，提出一种特征选择和分类器参数联合优化的人体行为识别模型，仿真实验结果表明，相对于其它人体行为识别，本文模型可以同时找到最优特征子集和分类器参数，减少了计算复杂度，提高了人体行为识别的正确率，加快了人体行为识别速度，具有广泛的应用前景。

参考文献：

[1] 谷军霞,丁晓青,王生进. 行为分析算法综述[J]. 中国图像图形学报, 2009,14(3): 377-387.

[2] 黎洪松,李达. 人体运动分析研究的若干新进展[J]. 模式识别与人工智能, 2009,22(1):70-78.

[3] Zhu Y, Navak N, Roy Chowdhury A. context-aware activity recognition and anomaly detection in video [J]. IEEE, 2013, 7(1): 91-101.

[4] Chen L, Hoey J, Nugent C D, et al. Sensor-based activity recognition [J]. IEEE Transactions on Applications and Reviews, 2012, 42(6):790-808.

[5] 阮涛涛,姚明海,瞿心昱等. 基于视觉的人体运动分析综述[J]. 计算机系统应用, 2010,20(2): 245-253.

[6] 白晓平,邓正宏,王美靖. 基于协同训练和不变矩特征的人体行为分析[J]. 西北工业大学学报, 2011, 29(6):871-877.

[7] 林春丽,王科俊,李玥. 基于增强能量图和二维保局映射的行为分类算法[J]. 计算机应用, 2011, 31(3): 721-744.

[8] 李英杰,尹怡欣,邓飞. 一种有效的行为识别视频特征[J]. 计算机应用,2011,31(2): 406-419.

[9] WANG Dian, CHENG Yong-Mei, YANG Tao, et al. Moving cast shadow suppression from a Gaussian mixture shadow model [J]. Computer Applications, 2006, 26(5): 1021-1026.

[10] 赵海勇,刘志镜,张浩. 基于轮廓特征的人体识别行为[J]. 光电子•激光,2010, 21(10): 1547-1551.

[11] Qian Huimin, Mao Yao Bin,Xiang Wen Bo, et a1. Recognition of human activities using SVM multi-classifier [J]. Pattern Recognition Letters, 2010, 31(2):100-111.

[12] Jamie S, Andrew F , Mat C, et al. Real-time human pose recognition in parts from single depth images [C]. Proc of the 24th IEEE Conference on Computer Vision and Pattern Recognition. Colorado Springs: IEEE Computer Society Press, 2011: 1297-1304.

[13] Hui Yu, Guang Min Sun, Wen Zing Song et al. Human motion recognition based on neural network [J]. Digital Object Identifier, 2005, 27(2): 979-982.

[14] Blank M, Gorelick L, Shechtman E, et al. Actions as space-time shape[C]. Proceedings of the 10th International Conference on Computer Vision, Beijing: IEEE, 2005: 1395-140.

Human Behavior Recognition by Feature Selection and Classifier Parameter Optimization

Guo Chunlu, Tao Lin

(Department of Electronics and Information Engineering, Henan Polytechnic Institute, Nanyang 473000, China)

Feature selection and classifier parameter optimization are key techniques to improve the recognition rate of human behavior, current models do not consider link between feature selection and classifier parameter optimization. In order to improve the human behavior recognition rate, a feature selection and classifier parameter optimization model for human behavior recognition is proposed. First of all, it analyzes the current situation of research on human behavior recognition, and a mathematical model for optimization of human behavior recognition features and classifier parameters is established. Secondly, improved particle swarm optimization algorithm is used to solve mathematical model, and the optimal human behavior recognition model is established. Finally, the performance is tested by simulation experiments. The results show that the model overcomes the defects of the current human behavior recognition model, and improves the recognition rate of human behavior, and the recognition speed is faster than the contrast model.

Human Behavior; Feature Selection; Parameter Optimization; Particle Swarm Optimization

1007-757X(2016)04-0074-04

TP391

A

（2015.10.21）

郭春璐（1987-)，女，河南工业职业技术学院，电子工程系，硕士，助教，研究方向：人体行为识别，计算机应用，三维设计，南阳，473000

陶 琳（1979-)，女，河南工业职业技术学院，电子工程系，讲师，硕士，研究方向：计算机应用，多媒体技术，南阳，473000