基于機(jī)器學(xué)習(xí)的人體動(dòng)作深度信息識(shí)別方法研究①

(福州理工學(xué)院，福建 福州 350506)

0 引 言

隨著圖像信息處理技術(shù)的發(fā)展，可通過計(jì)算機(jī)視覺圖像分析的方法進(jìn)行人體動(dòng)作識(shí)別和重建，構(gòu)建人體動(dòng)作的三維特征分割模型，采用多維空間識(shí)別的方法，進(jìn)行人體動(dòng)作的三維結(jié)構(gòu)特征識(shí)別，實(shí)現(xiàn)對人體動(dòng)作的深度跟蹤識(shí)別，在計(jì)算機(jī)視覺環(huán)境下，采用多維圖像信息處理技術(shù)，提高人體動(dòng)作深度信息識(shí)別能力，建立人體動(dòng)作深度信息識(shí)別模型，結(jié)合人體動(dòng)作的動(dòng)態(tài)特征點(diǎn)跟蹤采樣分析的方法，實(shí)現(xiàn)人體動(dòng)作深度信息識(shí)別優(yōu)化，相關(guān)的人體動(dòng)作深度信息識(shí)別方法研究受到人們的極大關(guān)注[1]。提出基于機(jī)器學(xué)習(xí)的人體動(dòng)作深度信息識(shí)別方法，構(gòu)建人體動(dòng)作的三維圖像采集模型，采用機(jī)器學(xué)習(xí)算法進(jìn)行人體動(dòng)作的細(xì)節(jié)特征分類識(shí)別，建立人體動(dòng)作深度信息的提取和分類模型，實(shí)現(xiàn)人體動(dòng)作深度信息識(shí)別，最后進(jìn)行仿真實(shí)驗(yàn)分析，展示了該方法在提高人體動(dòng)作深度信息識(shí)別能力方面的優(yōu)越性能。

1 人體動(dòng)作三維重建圖像采樣和特征分析

1.1 人體動(dòng)作三維重建圖像采樣

為了實(shí)現(xiàn)人體動(dòng)作深度信息識(shí)別，構(gòu)建人體動(dòng)作的三維圖像采集模型，建立人體動(dòng)作三維重建圖像的表面結(jié)構(gòu)重構(gòu)模型，結(jié)合模糊度特征分析的方法，進(jìn)行人體動(dòng)作圖像的分塊特征檢測和融合處理，建立人體動(dòng)作三維重建模型，采用分塊融合性調(diào)度的方法，進(jìn)行人體動(dòng)作三維重建和識(shí)別[2]，采用深度學(xué)習(xí)的方法進(jìn)行人體動(dòng)作三維重建，建立人體動(dòng)作三維重建圖像的灰度像素分布集如下式所示：

(1)

(2)

(3)

其中δ和ε分別表示人體動(dòng)作圖像的先驗(yàn)特征系數(shù)和關(guān)聯(lián)系數(shù)，建立人體動(dòng)作三維重建圖像的邊緣輪廓特征檢測模型，得到人體動(dòng)作三維信息融合輸出為：

(4)

(5)

根據(jù)上述分析，構(gòu)建了人體動(dòng)作三維重建圖像采樣模型，通過邊緣輪廓分割和自動(dòng)化識(shí)別技術(shù)，進(jìn)行人體動(dòng)作三維重建。

1.2 人體動(dòng)作細(xì)節(jié)特征提取

建立人體動(dòng)作三維重建圖像的邊緣輪廓特征檢測模型，構(gòu)造人體動(dòng)作三維重建圖像多尺度分解模型，結(jié)合模糊度特征提取方法對人體動(dòng)作三維重建圖像進(jìn)行多尺度分解，得到人體動(dòng)作細(xì)節(jié)差分量，在運(yùn)動(dòng)視頻中提取人體動(dòng)作細(xì)節(jié)特征點(diǎn)[5]，采用多點(diǎn)跟蹤的方法進(jìn)行人體目標(biāo)動(dòng)作識(shí)別，得到人體動(dòng)作細(xì)節(jié)邊緣輪廓點(diǎn)為：

(6)

其中Φ(Tn)由下式給出：

Φ(Tn)=γTHγ+θTHθ+ωTHω

(7)

構(gòu)造人體動(dòng)作三維重建圖像多尺度特征檢測模型，采用機(jī)器視覺方法進(jìn)行人體動(dòng)作三維重建圖像的先驗(yàn)形狀模型參數(shù)估計(jì)，根據(jù)參數(shù)估計(jì)結(jié)果實(shí)現(xiàn)人體動(dòng)作深度信息識(shí)別，結(jié)合多重分形方法，得到人體動(dòng)作三維網(wǎng)格分割模型為：

(8)

根據(jù)整個(gè)輪廓形狀的分布概率，得到人體動(dòng)作三維重建圖像的空間布局模型，得到人體動(dòng)作細(xì)節(jié)特征分布的平均像素集為：

(9)

其中：x1,x2,x3...xT是人體目標(biāo)動(dòng)作圖像的子塊模板匹配集，T為動(dòng)作標(biāo)記點(diǎn)動(dòng)態(tài)跟蹤的紋理寬度。建立人體動(dòng)作三維重建圖像的灰度特征分解模型，結(jié)合多重分形方法[6]，得到人體動(dòng)作的緣像素集為：

(10)

其中：

(11)

根據(jù)上述分析，進(jìn)行人體動(dòng)作細(xì)節(jié)特征提取，采用動(dòng)態(tài)特征融合技術(shù)進(jìn)行人體動(dòng)作細(xì)節(jié)重構(gòu)和優(yōu)化識(shí)別。

2 人體動(dòng)作深度信息識(shí)別方法優(yōu)化

2.1 動(dòng)作識(shí)別的機(jī)器學(xué)習(xí)算法尋優(yōu)

在上述構(gòu)建人體動(dòng)作的三維圖像采集模型，并建立人體動(dòng)作三維重建圖像的表面結(jié)構(gòu)重構(gòu)模型的基礎(chǔ)上，進(jìn)行人體動(dòng)作深度信息識(shí)別方法優(yōu)化設(shè)計(jì)，提出基于機(jī)器學(xué)習(xí)的人體動(dòng)作深度信息識(shí)別方法，用活動(dòng)輪廓套索方法進(jìn)行人體動(dòng)作深度信息重構(gòu)，重構(gòu)圖像如下：

(12)

其中，ELBF為人體動(dòng)作深度信息的局部灰度能量項(xiàng)，ELGF是人體動(dòng)作深度信息的局部梯度能量項(xiàng)，采用人體動(dòng)作圖像的三維重組方法，建立人體動(dòng)作深度信息的局部動(dòng)態(tài)特征檢測模型[7]，描述為：

ELBF(φ,f1,f2)=

(13)

(14)

假設(shè)A,B為人體動(dòng)作深度信息的標(biāo)記特征點(diǎn)，結(jié)合目標(biāo)形狀參數(shù)融合的方法，進(jìn)行人體動(dòng)作深度信息模糊度參數(shù)識(shí)別，得到人體動(dòng)作的邊緣輪廓特征分布函數(shù)：

(15)

(16)

采用邊緣相似性變換進(jìn)行人體動(dòng)作深度信息識(shí)別和檢測，結(jié)合機(jī)器學(xué)習(xí)的方法，對人體動(dòng)作深度信息的采集結(jié)果進(jìn)行分類處理，提高人體動(dòng)作深度信息的可靠性檢測和識(shí)別能力[8]。

圖1 原始的人體動(dòng)作三維圖像

2.2 動(dòng)作識(shí)別輸出

(17)

(18)

上式中，n=1,2,...,T，表示人體動(dòng)作三維重建圖像的迭代步數(shù)。人體動(dòng)作三維重建圖像的灰度像素子集C?V，采用子空間重構(gòu)的方法得到人體動(dòng)作三維重建的特征分布函數(shù)用I(i,j)描述，得到I(k)(i,j)表示如下：

圖2 細(xì)節(jié)信息深度識(shí)別結(jié)果

圖3 識(shí)別性能對比

(19)

其中，k表示人體動(dòng)作三維重建輸出的階數(shù)，將人體動(dòng)作三維重建圖像分割成M×N個(gè)2×2的子塊Gm,n，采用模糊度特征提取的方法，進(jìn)行人體動(dòng)作深度學(xué)習(xí)和自適應(yīng)挖掘，輸出為：

m=1,2,…,M;n=1,2,…,N

(20)

其中

p(i,j)(u,v)=I(k)g[2(i-1)+u,2(j-1)+v]

u∈{1,2};v∈{1,2}

(21)

u為人體動(dòng)作三維重建圖像p(i,j)在聯(lián)合仿射不變區(qū)域內(nèi)的灰度像素值，(i,j)為表示深度信息的邊緣輪廓特征量，綜上分析，建立人體動(dòng)作深度信息的提取和分類模型，在機(jī)器算法下實(shí)現(xiàn)人體動(dòng)作的深度信息檢測和多維識(shí)別[9]。

3 仿真實(shí)驗(yàn)分析

為了驗(yàn)證該方法在實(shí)現(xiàn)人體動(dòng)作三維重建和深度信息識(shí)別中的應(yīng)用性能，進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)中對人體動(dòng)作圖像采樣的樣本規(guī)模為2000，像素為120×200，人體動(dòng)作的超分辨率為2000×2000，對人地動(dòng)作深度信息檢測的迭代次數(shù)為300，動(dòng)作樣本序列的訓(xùn)練集個(gè)數(shù)為100，對人體動(dòng)作三維重建圖像檢測的初始學(xué)習(xí)速率為0.12，衰減權(quán)重系數(shù)為0.001，根據(jù)上述參數(shù)設(shè)定，進(jìn)行人體動(dòng)作三維重建和細(xì)節(jié)動(dòng)作識(shí)別，得到原始的人體動(dòng)作三維圖像如圖1所示。

以圖1的圖像為研究樣本，采用三維空間結(jié)構(gòu)重組的方法進(jìn)行人體動(dòng)作細(xì)節(jié)特征識(shí)別，建立人體動(dòng)作圖像的多維分割模型，實(shí)現(xiàn)對人體動(dòng)作三維重建和細(xì)節(jié)信息深度識(shí)別，得到識(shí)別結(jié)果如圖2所示。

分析圖2得知，采用該方法進(jìn)行人體動(dòng)作深度信息識(shí)別的準(zhǔn)確度較高，特征分辨力較好，測試不同方法進(jìn)行人體動(dòng)作深度信息識(shí)別的準(zhǔn)確性，得到對比結(jié)果如圖3所示。分析圖3得知，該方法進(jìn)行人體動(dòng)作深度信息識(shí)別的精度較高，準(zhǔn)確性較好，當(dāng)動(dòng)作個(gè)數(shù)超過100個(gè)，人體動(dòng)作深度信息識(shí)別準(zhǔn)確率將高于99%。

4 結(jié) 語

采用多維空間識(shí)別的方法，進(jìn)行人體動(dòng)作的三維結(jié)構(gòu)特征識(shí)別，實(shí)現(xiàn)對人體動(dòng)作的深度跟蹤識(shí)別，提出基于機(jī)器學(xué)習(xí)的人體動(dòng)作深度信息識(shí)別方法，構(gòu)建人體動(dòng)作的三維圖像采集模型，建立人體動(dòng)作三維重建圖像的表面結(jié)構(gòu)重構(gòu)模型，結(jié)合模糊度特征提取方法對人體動(dòng)作三維重建圖像進(jìn)行多尺度分解，用活動(dòng)輪廓套索方法進(jìn)行人體動(dòng)作深度信息重構(gòu)，建立人體動(dòng)作圖像的多維分割模型，結(jié)合機(jī)器學(xué)習(xí)算法進(jìn)行人體動(dòng)作的細(xì)節(jié)特征分類識(shí)別，建立人體動(dòng)作深度信息的提取和分類模型，在機(jī)器算法下實(shí)現(xiàn)人體動(dòng)作的深度信息檢測和多維識(shí)別。分析得知，該方法進(jìn)行人體動(dòng)作深度信息識(shí)別的準(zhǔn)確度較高，特征分辨力較好，重構(gòu)精度較高。