基于GA-HMM的人体行为识别

梁鹏华

（兰州交通大学 电子与信息工程学院，兰州 730070）

0 引言

人体行为识别是指使机器像人脑一样分析识别人体行为。由于人体行为识别在智能视频监控、虚拟现实、视频编码、运动分析等方面的广泛应用，近年来人体行为识别已成为计算机视觉等领域的研究热点。

在人体行为识别领域，HMM是应用最为普遍的理论。通常情况下，人们使用Baum-Welch算法来训练HMM参数，但BW算法对初始参数的选择非常敏感。由于初始参数是随机选取的，容易使HMM算法陷入局部最优，从而影响了整个人体行为识别系统的识别率。遗传算法是一种全局搜索算法，可以获得全局最优解。为提高HMM模型的识别率，本文提出了一种基于遗传算法和HMM的人体行为识别算法。在HMM模型的训练阶段使用GA对HMM参数进行优化解决了模型陷入局部最优的问题，提高了隐马尔科夫模型的识别率。

1 基于HMM的行为识别

使用HMM识别图像序列中的人体动作的流程如图所示。结合本文的实验，首先对图像序列中的各种行为进行建模，对应人体行为库中的每一种动作，建立相应的HMM描述，生成HMM模型库。对未知动作序列进行识别前先进行预处理、提取运动目标等工作，然后提取待识别目标的特征参数（本文选取的是目标图像的七阶不变矩），得到的特征序列输入识别算法模块，用模型库中的各个动作的HMM分别计算在各个模型中出现的概率 P ( O |λi)，在分类识别阶段得到该特征序列对应的最优模型，即，该模型所对应的动作种类就是待识别动作序列的识别结果。

图1 基于HMM的人体行为识别流程

2 用遗传算法训练HMM

遗传算法是一种基于自然进化的搜索方法，遵从优胜劣汰的自然法则。遗传算法根据问题的目标函数构造一个适应值函数（Fitness Function），对一个由多个解（每个解对应一条染色体）构成的种群进行评估、遗传运算、选择，经多代繁殖，获得适应值最好的个体最为问题的最优解。基本算法流程如图1.1所示。

图2 遗传算法流程

（1）编码机制

在本文的中，主要对参数A和B进行训练，编码时采用实数编码。由于矩阵A和矩阵B的每一行元素之和为1，为确保每次产生的新一代种群的个体参数仍满足次条件，对A和B按行进行归一化，得到A1和B1。染色体的构成如图3所示，因为本文的实验采用的是5状态左右无跨越型HMM，矩阵A会出现大面积的0，所以实际参与编码的A1长度为9，。码字长度设定为30，参与运算的B1长度为150，故一条染色体的长度为159。

图3 染色体编码结构

（2）适应值函数设定

在本文中，个体的适应度用各个训练样本的对数似然概率来表示

（3）选择运算

选择运算时为了从种群中选到父代染色体。赌轮选择法是最常用且易于实现的方法，个体被选中的概率和他们的适应值成正比。选择过程体现了生物进化过程中“适者生存，优胜劣汰”的思想，并保证优良基因遗传给下一代个体。

（4）遗传运算

遗传运算包括交叉和变异两部分，本文实验中的染色体A1部分长度较短，B1部分长，所以对A1部分实行单点交叉和变异，对B1部分实行双点交叉和变异。在进行完交叉和变异后，对染色体A1和B1分别进行归一化处理以满足矩阵元素行和为1的条件。

3 实验及分析

实验阶段使用的数据库是目前行为识别领域最常使用的以色列Weizmann人体行为数据库，该数据库提供了由9个人执行的走、跑、跳、挥手等10种行为。仿真实验时，在数据库中随机选择6个人的行为作为训练集，剩下的3个人的行为作为测试集，重复25次。仿真实验在matlab软件下进行，首先使用传统的BW法训练HMM并得到最终的识别率，然后使用GA训练HMM，得到最终的识别率。其中遗传算法的参数设定为种群大小NP=30，杂交概率Pc=0.5，变异概率Pm=0.005，最大代数NG=200。HMM为五状态左右无跨越型。

从表1可以看出经过遗传算法优化的HMM比传统方法优化得到的HMM有更高的识别率。“skip”的识别率较低，是因为该动作的侧影图和"run"相似。

表1 识别结果比较

4 总结

遗传算法具有优良的全局搜索能力，利用GA训练HMM能很大程度是克服BW算法容易潜入局部最优的缺陷，将GA-HMM用于人体行为识别，识别率较传统方法有所提高。

[1] Yamato J，Ohya J，Ishii K，Recognizing human action in time sequential images using hidden Markov model[C].CVPR.1992.379－385.

[2] 孙兴华，郭丽.数字图像处理[M].北京：机械工业出版社，2012：245-247.

[3] 裴继红，李翠芸.龚忻.基于GA-AHMM的联机手绘图形识别技术[J].系统工程与电子技术，2004，6（3）：378-381.

[4] 徐丽，康瑞华，基于遗传算法的HMM参数估计[J].湖北工业大学学报 2006，21（4）：68-71.

[5] 钱堃，马旭东，戴先中.基于抽象隐马尔可夫模型的运动行为识别方法[J].模式识别与人工智能，2009，（3）：433-439.

[6] 李宁，须德，傅晓英，袁玲.结合人体运动特征的行为识别 [J]. 北京交通大学学报，2009，33（2）：6-16.

[7] 薛定宇，贾旭，崔建江，刘晶.基于遗传算法自适应建立HMM的静脉识别算法[J].东北大学学报（自然科学版）.2011，32（11）：1529-1533.

[8] 汪定伟，王俊伟，王洪峰，张瑞友，郭哲.智能优化算法[M].北京：高等教育出版社，2006：21-32.