[發明專利]一種基于改進維特比算法的連續動作識別方法

有效

• 申請號: 201510035514.5
• 申請日: 2015-01-23
• 公開（公告）號: CN104573665A
• 公開（公告）日: 2015-04-29
• 發明（設計）人: 張磊;白棟天;黃華
• 申請（專利權）人: 北京理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明屬于視頻處理領域，具體涉及一種基于改進維特比算法的連續動作識別方法，用于高效地識別人體全身連續動作。

背景技術

隨著計算機應用的迅速發展，基于視頻序列的人體行為識別逐漸成為計算機視覺領域研究的熱點，在人機接口系統、智能家居應用、智能監控、運動分析等方面得到了廣泛的應用。

對于動作識別這一具有較高應用價值問題，國內外的學者已經做了大量的基礎研究。常用的動作識別方法有：基于HMM的方法、基于DTW的方法、基于SVM的方法以及基于神經網絡的方法等。對于單個的動作識別這些方法都達到了比較令人滿意的效果，但是對于連續的動作識別，國內外的研究學者大多只是專注于手勢的識別，并且連續的動作識別沒有達到很好的效果。A.Ali等人在文獻《Segmentation and recognition of continuous human activity》(IEEE Workshop on.IEEE,2001:28-35)實現了基于普通視頻的動作分割算法，但是該算法中用于分割的方法不具備良好的魯棒性。該方法利用一些特定的靜態姿態對連續的動作視頻進行分割。其它用于分割連續手勢序列的文獻也都是基于特定的靜態手勢或者是概率模型，對于手勢或者動作的分割都不盡如人意；并且大部分是以實現手勢的連續識別為目標，并沒有將其拓展到全身動作領域。目前對于全身的連續動作識別還沒有系統的方法。

本發明中涉及到的重要一項已有技術是隱馬爾可夫模型。

隱馬爾可夫模型是一種有效的描述存在于離散時間段上的具有關聯關系的數據序列的統計學方法。

隱馬爾科夫模型的理論基礎是在1970年前后由Baum等人建立起來的，隨后有CMU的Baker和IBM的Jelinek等人將其應用到語音識別之中，由于Bell實驗室Rabiner等人在80年代中期對隱馬爾科夫模型的深入淺出的介紹，才逐漸使隱馬爾科夫模型為世界各國從事語音處理的研究員所了解和熟悉，進而成為公認的一個研究熱點。

隱馬爾科夫模型是在Markov鏈(一種有限狀態機)的基礎上發展起來的。首先介紹兩個概念：狀態集合和觀察序列。狀態集合指隱馬爾科夫模型所具有的全部狀態{S₁,...,S_i,...,S_N}，其中N為隱式狀態數；觀察序列是一個具有上下文關聯性的數據序列，用v₁,...,v_t,...,v_T表示，v₁,...,v_t,...,v_T為一個觀測序列，其中v_t＝c_b，表示該序列中時刻t的元素的取值為c_b，1≤b≤B，B表示每個狀態可輸出的元素(值)的總數。

由于實際問題比Markov鏈模型所描述的更為復雜，觀察到的觀察序列中的元素并不是與Markov鏈中的狀態一一對應，而是通過一組概率分布相聯系。這樣，站在觀察者的角度，只能看到觀察值，不像Markov鏈模型中的觀察值和狀態一一對應。因此，不能直接看到狀態，而是通過一個隨機過程去感知狀態的存在及其特性，這就是所謂的“隱”Markov模型，即Hidden Markov Model(HMM)。

隱馬爾科夫模型的三個基本問題是：評估問題、解碼問題及學習問題。其中，學習問題是使模型參數最優化，及調整模型參數，以使模型能最好的描述一個給定觀測序列，最好的說明這個觀測序列就是最優化模型產生出來的，用來解決分類問題。

發明內容

本發明的目的是針對人體連續動作的識別，提出了一種基于改進維特比算法的連續動作識別方法。該方法首先通過建立以人體關節為基準的坐標系消除人旋轉平移等因素造成的動作差異性。其次通過按照人體模型的約束對人體骨架坐標進行進一步處理，消除因為人體形的差異，然后通過K-means對骨骼數據進行編碼，然后為每個動作訓練對應的隱式馬爾科夫模型，接著通過活躍關節的變化、速度快慢、角度大小進行連續動作序列的分割，然后為每個子序列篩選出較好的候選動作，最后通過改進的維特比算法找出最佳路徑，進而得到最佳的動作序列。

本發明的目的是通過下述技術方案實現的。

本發明的一種基于改進維特比算法的連續動作識別方法，其特征在于：其包括訓練過程和識別過程。

所述訓練過程的具體實施步驟如下：

步驟一、對訓練數據中的人體全身動作視頻數據進行預處理。