基于机器学习的人体动作深度信息识别方法研究①

(福州理工学院，福建 福州 350506)

0 引 言

随着图像信息处理技术的发展，可通过计算机视觉图像分析的方法进行人体动作识别和重建，构建人体动作的三维特征分割模型，采用多维空间识别的方法，进行人体动作的三维结构特征识别，实现对人体动作的深度跟踪识别，在计算机视觉环境下，采用多维图像信息处理技术，提高人体动作深度信息识别能力，建立人体动作深度信息识别模型，结合人体动作的动态特征点跟踪采样分析的方法，实现人体动作深度信息识别优化，相关的人体动作深度信息识别方法研究受到人们的极大关注[1]。提出基于机器学习的人体动作深度信息识别方法，构建人体动作的三维图像采集模型，采用机器学习算法进行人体动作的细节特征分类识别，建立人体动作深度信息的提取和分类模型，实现人体动作深度信息识别，最后进行仿真实验分析，展示了该方法在提高人体动作深度信息识别能力方面的优越性能。

1 人体动作三维重建图像采样和特征分析

1.1 人体动作三维重建图像采样

为了实现人体动作深度信息识别，构建人体动作的三维图像采集模型，建立人体动作三维重建图像的表面结构重构模型，结合模糊度特征分析的方法，进行人体动作图像的分块特征检测和融合处理，建立人体动作三维重建模型，采用分块融合性调度的方法，进行人体动作三维重建和识别[2]，采用深度学习的方法进行人体动作三维重建，建立人体动作三维重建图像的灰度像素分布集如下式所示：

(1)

(2)

(3)

其中δ和ε分别表示人体动作图像的先验特征系数和关联系数，建立人体动作三维重建图像的边缘轮廓特征检测模型，得到人体动作三维信息融合输出为：

(4)

(5)

根据上述分析，构建了人体动作三维重建图像采样模型，通过边缘轮廓分割和自动化识别技术，进行人体动作三维重建。

1.2 人体动作细节特征提取

建立人体动作三维重建图像的边缘轮廓特征检测模型，构造人体动作三维重建图像多尺度分解模型，结合模糊度特征提取方法对人体动作三维重建图像进行多尺度分解，得到人体动作细节差分量，在运动视频中提取人体动作细节特征点[5]，采用多点跟踪的方法进行人体目标动作识别，得到人体动作细节边缘轮廓点为：

(6)

其中Φ(Tn)由下式给出：

Φ(Tn)=γTHγ+θTHθ+ωTHω

(7)

构造人体动作三维重建图像多尺度特征检测模型，采用机器视觉方法进行人体动作三维重建图像的先验形状模型参数估计，根据参数估计结果实现人体动作深度信息识别，结合多重分形方法，得到人体动作三维网格分割模型为：

(8)

根据整个轮廓形状的分布概率，得到人体动作三维重建图像的空间布局模型，得到人体动作细节特征分布的平均像素集为：

(9)

其中：x1,x2,x3...xT是人体目标动作图像的子块模板匹配集，T为动作标记点动态跟踪的纹理宽度。建立人体动作三维重建图像的灰度特征分解模型，结合多重分形方法[6]，得到人体动作的缘像素集为：

(10)

其中：

(11)

根据上述分析，进行人体动作细节特征提取，采用动态特征融合技术进行人体动作细节重构和优化识别。

2 人体动作深度信息识别方法优化

2.1 动作识别的机器学习算法寻优

在上述构建人体动作的三维图像采集模型，并建立人体动作三维重建图像的表面结构重构模型的基础上，进行人体动作深度信息识别方法优化设计，提出基于机器学习的人体动作深度信息识别方法，用活动轮廓套索方法进行人体动作深度信息重构，重构图像如下：

(12)

其中，ELBF为人体动作深度信息的局部灰度能量项，ELGF是人体动作深度信息的局部梯度能量项，采用人体动作图像的三维重组方法，建立人体动作深度信息的局部动态特征检测模型[7]，描述为：

ELBF(φ,f1,f2)=

(13)

(14)

假设A,B为人体动作深度信息的标记特征点，结合目标形状参数融合的方法，进行人体动作深度信息模糊度参数识别，得到人体动作的边缘轮廓特征分布函数：

(15)

(16)

采用边缘相似性变换进行人体动作深度信息识别和检测，结合机器学习的方法，对人体动作深度信息的采集结果进行分类处理，提高人体动作深度信息的可靠性检测和识别能力[8]。

图1 原始的人体动作三维图像

2.2 动作识别输出

(17)

(18)

上式中，n=1,2,...,T，表示人体动作三维重建图像的迭代步数。人体动作三维重建图像的灰度像素子集C⊆V，采用子空间重构的方法得到人体动作三维重建的特征分布函数用I(i,j)描述，得到I(k)(i,j)表示如下：

图2 细节信息深度识别结果

图3 识别性能对比

(19)

其中，k表示人体动作三维重建输出的阶数，将人体动作三维重建图像分割成M×N个2×2的子块Gm,n，采用模糊度特征提取的方法，进行人体动作深度学习和自适应挖掘，输出为：

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为人体动作三维重建图像p(i,j)在联合仿射不变区域内的灰度像素值，(i,j)为表示深度信息的边缘轮廓特征量，综上分析，建立人体动作深度信息的提取和分类模型，在机器算法下实现人体动作的深度信息检测和多维识别[9]。

3 仿真实验分析

为了验证该方法在实现人体动作三维重建和深度信息识别中的应用性能，进行仿真实验，实验中对人体动作图像采样的样本规模为2000，像素为120×200，人体动作的超分辨率为2000×2000，对人地动作深度信息检测的迭代次数为300，动作样本序列的训练集个数为100，对人体动作三维重建图像检测的初始学习速率为0.12，衰减权重系数为0.001，根据上述参数设定，进行人体动作三维重建和细节动作识别，得到原始的人体动作三维图像如图1所示。

以图1的图像为研究样本，采用三维空间结构重组的方法进行人体动作细节特征识别，建立人体动作图像的多维分割模型，实现对人体动作三维重建和细节信息深度识别，得到识别结果如图2所示。

分析图2得知，采用该方法进行人体动作深度信息识别的准确度较高，特征分辨力较好，测试不同方法进行人体动作深度信息识别的准确性，得到对比结果如图3所示。分析图3得知，该方法进行人体动作深度信息识别的精度较高，准确性较好，当动作个数超过100个，人体动作深度信息识别准确率将高于99%。

4 结 语

采用多维空间识别的方法，进行人体动作的三维结构特征识别，实现对人体动作的深度跟踪识别，提出基于机器学习的人体动作深度信息识别方法，构建人体动作的三维图像采集模型，建立人体动作三维重建图像的表面结构重构模型，结合模糊度特征提取方法对人体动作三维重建图像进行多尺度分解，用活动轮廓套索方法进行人体动作深度信息重构，建立人体动作图像的多维分割模型，结合机器学习算法进行人体动作的细节特征分类识别，建立人体动作深度信息的提取和分类模型，在机器算法下实现人体动作的深度信息检测和多维识别。分析得知，该方法进行人体动作深度信息识别的准确度较高，特征分辨力较好，重构精度较高。