人体行为识别全局特征提取概述

人体行为识别全局特征提取概述
赵亚欣;赵怀勋
【期刊名称】《电子世界》
【年(卷),期】2016(000)019
【总页数】1页(P95)
【作者】赵亚欣;赵怀勋
【作者单位】武警工程大学信息工程系;武警工程大学信息工程系
【正文语种】中文
人体识别方法的关键在于提取良好的特征进行聚类和设计高效的分类器对行为识别。

人体特征指的是从视频图像中提取出的对人的运动进行描述的信息：从图像中提取的颜色、纹理、角点、轮廓等信息，或是人体运动方向、速度、关节点的状态等。

特征提取是人体行为识别的中高级阶段，对识别的实时性、准确率都起着决定性的作用。

全局特征作为行为识别时一种常规特征，通常先通过背景减除与跟踪定位确定感兴趣的区域，再将感兴趣的区域划分为整体进行描述。

一般常见的全局特征有轮廓特征、轨迹特征、矩特征。

本文将对几种常用的全局特征提取原理进行介绍。

1.1 Freeman链码轮廓提取
人完成各种动作所呈现出的轮廓是不同的，轮廓特征作为人体行为的重要特征，提取比较方便，包含信息丰富，可为后续利用傅里叶变换提取轮廓特征打下基础。

通过改进混合高斯建模提取出了运动目标前景，目标前景基本都是一个连通区域，利用轮廓提取算法可提取运动目标的轮廓。

本文使用Freeman链码［1］对提取
的检测目标进行轮廓提取，提取效果如图1所示：
1.2 傅里叶描述子
在提取出完整的运动目标轮廓后，需用傅里叶描述子对轮廓进行特征提取，作为行为识别的依据。

傅里叶描述子［2］是对运动目标轮廓进行特征提取的方法，与
Hu矩类似，具有平移、旋转和尺度不变性。

傅里叶描述子的思想是：假定物体轮廓为一个封闭曲线，确定轮廓上每个点的坐标，将横纵坐标看成复数的实部与虚部。

轮廓上各点可用坐标表示：。

则轮廓可表示为为轮廓上点的个数。

将坐标转化为复数：因为轮廓封闭，所以为以K为周期的周期函数。

对进行傅里叶变换的公式如
式3-7所示：
式中u=0，1，2…，K-1.对进行反向傅里叶变换可得，进行物体轮廓的重建。

当使用傅里叶描述子的低频段作为特征向量时，其对轮廓上小的噪声并不敏感，此外，当目标被小范围遮挡时，傅里叶描述子的低频部分仍能较好的描述运动目标。

人在运动的过程中会形成运动轨迹，运动轨迹在一定程度上可以对行为进行区分。

Bobick等人［3］在2001年提出了基于时间模板的行为识别方法，即将人体的动作过程用运动能量图（Motion Energy Images，MEI）和运动历史图（Motion History Images，MHI）存储起来。

设为监控视频图像序列，为与其对应的二值图像序列，MEI定义为：
上式中，代表人体行为序列的时间尺度，反应对人体动作快慢的敏感程度。

MHI的定义为：
通过提取出的运动能量图和运动历史图，可提取Hu矩作为特征对图像进行描述。

运动能量示例图和运动历史示例图分别如图2、图3所示：
从图4和图5可以看出，MEI着重体现了人体行为动作覆盖的范围，而MHI则在一定程度上能够体现人体行为动作的先后顺序。

矩不变量［4］作为目标图像的一种区域描述，也是特征匹配的常用方法。

矩不变
量具有良好的平移、旋转和尺度不变性。

常见的矩不变量有Hu矩、Zernike矩和小波矩等。

Hu矩的概念早在1962年就由M.K.Hu提出，具有平移、旋转和尺度不变性。

其定义如下：
设为二位连续函数，则可定义其（p+q）阶原点矩如下：
在上式中，为中心点的坐标，
由于上述定义的假设为二位连续函数，而在实际的图像处理时需进行调整：
式中，p，q为大于或等于0的整数；。

下面定义（p+q）阶规格化中心矩：
式中：
经一系列变换，可得到7个不变矩：
通过7个矩不变量可对目标图像进行区域描述。

本文对人体行为识别中全局特征提取作了总结概括，重点对轮廓特征提取、傅里叶描述子、Hu不变矩以及运动能量图和运动历史图的原理进行了阐述，为特征融合及选择分类器进行识别打下基础。

【相关文献】
［1］杨万扣，任明武，杨静宇.数字图像中基于链码的目标面积计算方法［J］.计算机工程，2008，34（1）：30-33.
［2］Rocio Diaz de Leo，Luis Enrique Sucar.Human Silhouette Recognition with Fourier Descriptors［A］.In：Proc IEEE Conference on Pattern Recognition，2000：709-712. ［3］Aaron F.Bobick，James W.Davis.The recognition of human movements using temporal templates.IEEE Transactions on Pattern Analysis and Machine Int ellegence，2001，23（3）：257-267.
［4］孔祥斌.视频中的人体行为识别算法研究［D］.成都：电子科技大学，2012.。