【学术论文】视频序列的人体运动描述方法综述

第8卷第3期 智能系统学报 Vol.8 No.3 2013年6月 CAAI Transactions on Intelligent Systems Jum.2013 D0I:10.3969/j.issn.1673-4785.201212064 网络出版地址：http://www.cnki.net/kcms/detail/23.1538.TP.20130515.0939.010.html 视频序列的人体运动描述方法综述 孙倩茹12，王文敏1，刘宏12 (1.北京大学深圳研究生院深圳物联网智能感知技术工程实验室，广东深圳518055：2.北京大学机器感知与智能 教育部重点实验室，北京100871) 摘要：视频中的人体运动分析是计算机视觉领域的重要课题，同时也是近年来备受关注的前沿研究方向之一，在明 确实际视频中存在的若干种难点，如人体遮挡、视频模糊、拍摄视角变化等基础上，从经典的人体运动特征提取、特 征选择以及特征融合3个方面，对基于视频序列的人体运动描述方法和研究现状进行了概述，归纳出人体运动描述 算法的研究难点，并分析了人体运动分析的技术发展趋势.指出了利用不同特征间存在的互补性质探求高性能特征 选择和特征融合机制是人体运动描述技术发展的必然趋势，从处理简单实验场景视频向挑战高难度实际场景视频 的转化是运动视频分析未来发展的方向. 关键词：视频序列：人体运动描述：特征提取：特征选择：特征融合 中图分类号：TP391文献标志码：A文章编号：1673-4785(2013)03-0189-10 中文引用格式：孙倩茹，王文敏，刘宏.视频序列的人体运动描述方法综述[J].智能系统学报，2013,8(3)：189-198 英文引用格式：SUN Qianru,WANG Wenmin,LIU Hong.Study of human action representation in video sequences[J].CAAI Transactions on Intelligent Systems,2013,8(3):189-198. Study of human action representation in video sequences SUN Qianru'2,WANG Wenmin',LIU Hong'2 (1.Engineering Lab on Intelligent Perception for Internet of Things(ELIP),Shenzhen Graduate School of Peking University,Shenz- hen 518055,China:2.Key Laboratory for Machine Perception Ministry of Education),Peking University,Beijing 100871,China) Abstract:Recently analysis of human actions in videos has become an important issue in the field of computer vi- sion.Much attention has been paid to this frontier research.In this paper,we first explicitly defines several existing difficulties in real-world videos,such as body occlusion,video fuzzy,shooting angle change and then conducts a survey based on the popular methods and present situation research studies on human action representation.Next, we focus attention on three aspects of feature extraction,feature selection and feature fusion,and then summarize the research difficulties in algorithms of action description,and analyze the technical development trend of human action analysis.It was pointed out that the inevitable trend of human action representation technology is to explore high-performance feature selection and feature merging mechanism by making use of the complementary mechanism among different features,and the development trend of motion video analysis in the future is to change from pro- cessing simple experimental scene videos to the challenge of real-world scene videos with high difficulties Keywords:video sequences;human action representation;feature extraction;feature selection;feature fusion 运动信息是视频的重要特性之一.近年来，摄像 视频中的人体运动分析是指通过计算机视觉和模式 机等视频录制设备价格的不断降低，计算机性能的 识别的各类技术手段，实现对视频序列中存在特定 不断提高，使得视频相关领域的应用需求不断增加. 人体运动的智能化表示和标记.它在较多计算机视 频应用领域有着广泛且重要的研究应用，因此对人 收稿日期：2012-12-31.网络出版日期：2013-05-15. 基金项目：国家自然科学基金资助项目(60875050,60675025)：国家 体运动描述和识别算法的研究就成为了计算机视觉 “863"计划资助项目(2006AA04Z247):深圳市科学和技术 领域备受关注的前沿研究课题.近几年，国际上一些 创新委员会资助项目(JC201005280682A, JCYJ20120614152234873,CXC201104210010A). 权威期刊如JCV(International Journal of Computer 通信作者：孙倩茹.E-mail:qianrusun@sz-pku.cdu.cn. Vision),CVIU Computer Vision and Image Under-

第 ８ 卷第 ３ 期 智 能 系 统 学 报 Ｖｏｌ．８ №．３ ２０１３ 年 ６ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｊｕｎ． ２０１３ ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１２１２０６４ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１３０５１５．０９３９．０１０．ｈｔｍｌ 视频序列的人体运动描述方法综述 孙倩茹１，２ ，王文敏１ ，刘宏１，２ （１．北京大学深圳研究生院 深圳物联网智能感知技术工程实验室，广东 深圳 ５１８０５５； ２．北京大学 机器感知与智能 教育部重点实验室，北京 １００８７１） 摘 要：视频中的人体运动分析是计算机视觉领域的重要课题，同时也是近年来备受关注的前沿研究方向之一．在明 确实际视频中存在的若干种难点，如人体遮挡、视频模糊、拍摄视角变化等基础上，从经典的人体运动特征提取、特 征选择以及特征融合 ３ 个方面，对基于视频序列的人体运动描述方法和研究现状进行了概述，归纳出人体运动描述 算法的研究难点，并分析了人体运动分析的技术发展趋势．指出了利用不同特征间存在的互补性质探求高性能特征 选择和特征融合机制是人体运动描述技术发展的必然趋势，从处理简单实验场景视频向挑战高难度实际场景视频 的转化是运动视频分析未来发展的方向． 关键词：视频序列；人体运动描述；特征提取；特征选择；特征融合 中图分类号： ＴＰ３９１ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１３）０３⁃０１８９⁃１０ 中文引用格式：孙倩茹，王文敏，刘宏． 视频序列的人体运动描述方法综述［Ｊ］． 智能系统学报， ２０１３， ８（３）： １８９⁃１９８． 英文引用格式：ＳＵＮ Ｑｉａｎｒｕ， ＷＡＮＧ Ｗｅｎｍｉｎ， ＬＩＵ Ｈｏｎｇ． Ｓｔｕｄｙ ｏｆ ｈｕｍａｎ ａｃｔｉｏｎ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｉｎ ｖｉｄｅｏ ｓｅｑｕｅｎｃｅｓ［ Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１３， ８（３）： １８９⁃１９８． Ｓｔｕｄｙ ｏｆ ｈｕｍａｎ ａｃｔｉｏｎ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｉｎ ｖｉｄｅｏ ｓｅｑｕｅｎｃｅｓ ＳＵＮ Ｑｉａｎｒｕ １，２ ， ＷＡＮＧ Ｗｅｎｍｉｎ １ ， ＬＩＵ Ｈｏｎｇ １，２ （１． Ｅｎｇｉｎｅｅｒｉｎｇ Ｌａｂ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｐｅｒｃｅｐｔｉｏｎ ｆｏｒ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ（ＥＬＩＰ）， Ｓｈｅｎｚｈｅｎ Ｇｒａｄｕａｔｅ Ｓｃｈｏｏｌ ｏｆ Ｐｅｋｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ， Ｓｈｅｎｚ⁃ ｈｅｎ ５１８０５５， Ｃｈｉｎａ； ２． Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｆｏｒ Ｍａｃｈｉｎｅ Ｐｅｒｃｅｐｔｉｏｎ （Ｍｉｎｉｓｔｒｙ ｏｆ Ｅｄｕｃａｔｉｏｎ）， Ｐｅｋｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ， Ｂｅｉｊｉｎｇ １００８７１， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｒｅｃｅｎｔｌｙ ａｎａｌｙｓｉｓ ｏｆ ｈｕｍａｎ ａｃｔｉｏｎｓ ｉｎ ｖｉｄｅｏｓ ｈａｓ ｂｅｃｏｍｅ ａｎ ｉｍｐｏｒｔａｎｔ ｉｓｓｕｅ ｉｎ ｔｈｅ ｆｉｅｌｄ ｏｆ ｃｏｍｐｕｔｅｒ ｖｉ⁃ ｓｉｏｎ． Ｍｕｃｈ ａｔｔｅｎｔｉｏｎ ｈａｓ ｂｅｅｎ ｐａｉｄ ｔｏ ｔｈｉｓ ｆｒｏｎｔｉｅｒ ｒｅｓｅａｒｃｈ． Ｉｎ ｔｈｉｓ ｐａｐｅｒ， ｗｅ ｆｉｒｓｔ ｅｘｐｌｉｃｉｔｌｙ ｄｅｆｉｎｅｓ ｓｅｖｅｒａｌ ｅｘｉｓｔｉｎｇ ｄｉｆｆｉｃｕｌｔｉｅｓ ｉｎ ｒｅａｌ⁃ｗｏｒｌｄ ｖｉｄｅｏｓ， ｓｕｃｈ ａｓ ｂｏｄｙ ｏｃｃｌｕｓｉｏｎ， ｖｉｄｅｏ ｆｕｚｚｙ， ｓｈｏｏｔｉｎｇ ａｎｇｌｅ ｃｈａｎｇｅ ａｎｄ ｔｈｅｎ ｃｏｎｄｕｃｔｓ ａ ｓｕｒｖｅｙ ｂａｓｅｄ ｏｎ ｔｈｅ ｐｏｐｕｌａｒ ｍｅｔｈｏｄｓ ａｎｄ ｐｒｅｓｅｎｔ ｓｉｔｕａｔｉｏｎ ｒｅｓｅａｒｃｈ ｓｔｕｄｉｅｓ ｏｎ ｈｕｍａｎ ａｃｔｉｏｎ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ． Ｎｅｘｔ， ｗｅ ｆｏｃｕｓ ａｔｔｅｎｔｉｏｎ ｏｎ ｔｈｒｅｅ ａｓｐｅｃｔｓ ｏｆ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ， ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ ａｎｄ ｆｅａｔｕｒｅ ｆｕｓｉｏｎ， ａｎｄ ｔｈｅｎ ｓｕｍｍａｒｉｚｅ ｔｈｅ ｒｅｓｅａｒｃｈ ｄｉｆｆｉｃｕｌｔｉｅｓ ｉｎ ａｌｇｏｒｉｔｈｍｓ ｏｆ ａｃｔｉｏｎ ｄｅｓｃｒｉｐｔｉｏｎ， ａｎｄ ａｎａｌｙｚｅ ｔｈｅ ｔｅｃｈｎｉｃａｌ ｄｅｖｅｌｏｐｍｅｎｔ ｔｒｅｎｄ ｏｆ ｈｕｍａｎ ａｃｔｉｏｎ ａｎａｌｙｓｉｓ． Ｉｔ ｗａｓ ｐｏｉｎｔｅｄ ｏｕｔ ｔｈａｔ ｔｈｅ ｉｎｅｖｉｔａｂｌｅ ｔｒｅｎｄ ｏｆ ｈｕｍａｎ ａｃｔｉｏｎ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｉｓ ｔｏ ｅｘｐｌｏｒｅ ｈｉｇｈ⁃ｐｅｒｆｏｒｍａｎｃｅ ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ ａｎｄ ｆｅａｔｕｒｅ ｍｅｒｇｉｎｇ ｍｅｃｈａｎｉｓｍ ｂｙ ｍａｋｉｎｇ ｕｓｅ ｏｆ ｔｈｅ ｃｏｍｐｌｅｍｅｎｔａｒｙ ｍｅｃｈａｎｉｓｍ ａｍｏｎｇ ｄｉｆｆｅｒｅｎｔ ｆｅａｔｕｒｅｓ， ａｎｄ ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｔｒｅｎｄ ｏｆ ｍｏｔｉｏｎ ｖｉｄｅｏ ａｎａｌｙｓｉｓ ｉｎ ｔｈｅ ｆｕｔｕｒｅ ｉｓ ｔｏ ｃｈａｎｇｅ ｆｒｏｍ ｐｒｏ⁃ ｃｅｓｓｉｎｇ ｓｉｍｐｌｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｓｃｅｎｅ ｖｉｄｅｏｓ ｔｏ ｔｈｅ ｃｈａｌｌｅｎｇｅ ｏｆ ｒｅａｌ⁃ｗｏｒｌｄ ｓｃｅｎｅ ｖｉｄｅｏｓ ｗｉｔｈ ｈｉｇｈ ｄｉｆｆｉｃｕｌｔｉｅｓ． Ｋｅｙｗｏｒｄｓ：ｖｉｄｅｏ ｓｅｑｕｅｎｃｅｓ； ｈｕｍａｎ ａｃｔｉｏｎ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ； ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ； ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ； ｆｅａｔｕｒｅ ｆｕｓｉｏｎ 收稿日期：２０１２⁃１２⁃３１． 网络出版日期：２０１３⁃０５⁃１５． 基金项目：国家自然科学基金资助项目（ ６０８７５０５０，６０６７５０２５）；国家 “８６３”计划资助项目（２００６ＡＡ０４Ｚ２４７）；深圳市科学和技术 创 新 委 员 会 资 助 项 目 （ ＪＣ２０１００５２８０６８２Ａ， ＪＣＹＪ２０１２０６１４１５２２３４８７３， ＣＸＣ２０１１０４２１００１０Ａ）． 通信作者：孙倩茹． Ｅ⁃ｍａｉｌ：ｑｉａｎｒｕｓｕｎ＠ ｓｚ．ｐｋｕ．ｅｄｕ．ｃｎ． 运动信息是视频的重要特性之一．近年来，摄像 机等视频录制设备价格的不断降低，计算机性能的 不断提高，使得视频相关领域的应用需求不断增加． 视频中的人体运动分析是指通过计算机视觉和模式 识别的各类技术手段，实现对视频序列中存在特定 人体运动的智能化表示和标记．它在较多计算机视 频应用领域有着广泛且重要的研究应用，因此对人 体运动描述和识别算法的研究就成为了计算机视觉 领域备受关注的前沿研究课题．近几年，国际上一些 权威期刊如 ＩＪＣＶ （ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ）、 ＣＶＩＵ （ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｉｍａｇｅ Ｕｎｄｅｒ⁃

·190· 智能系统学报 第8卷 standing)PAMI(IEEE Transactions on Pattern Analy- 段得到的特征存在着很大的差异性，最直观的轮廓 sis and Machine Intelligence),IVC(Image and Vision 特征就几乎完全不同为了解决类内多样性，需要探 Computing),以及重要的国际学术会议，如ICCV 求一种抓住运动本质的鲁棒运动特征 (International Conference on Computer Vision),CVPR 2)类间相似性(inter-class similarity).它指的是 (IEEE Conference on Computer Vision and Pattern 不同的运动看上去有很大的相似性，这与类内多样 Recognition)ECCV European Conference on Com- 性是相对的一种困难情况.例如图1()中显示的2 puter Vision)等，已将基于视频信息的人体运动分析 张灰度图像，2个人好像都是在跑步，但是结合原多 研究作为其主体内容之一四.目前，在低噪声环境下 帧图像序列可以判断第1幅子图是在跑步而第2幅 获取的视频中进行运动检测和识别已经可以达到较 子图是在单腿向前跳在视频中跑和跳出现了多帧 高的识别效率，但是针对实际环境中的视频，人体运 极其类似的情况，这就给区分这2个运动带来了极 动描述和识别仍然面临很多难题， 大的模糊性并且，当分类的运动种类增多时，这种 类间相似造成的模糊性也会随之增大，进而导致识 1人体运动描述的研究难点 别率降低，这就要求继续研究高区分度的人体运动 由于人体运动识别需要将视频中包含的人体运 描述特征和模型， 动进行准确地描述和正确地分类，因此这是一项极 3)人体遮挡(body occlusion).实际场景中的人 富挑战性的研究工作.另外，当此类方法应用到实际 体经常会被场景中的其他人或物体遮挡住部分或者 视频中时，由于视频中存在的种种现象，如人体遮 全部的身体，有时还会因为视角的问题产生自遮挡 挡、视频模糊、拍摄视角变化等，所需要解决的问题 的问题这类问题严重影响了运动特征的有效提取 就变得更加复杂.为了避免研究这些复杂情形，很多 和描述过程.此时，识别算法获取的特征是不完整 研究方法都集中在对视频质量和运动发生环境严格 的，甚至会误导识别结果，降低识别率.例如图1(a) 受限的理想数据库的实验上.而且，研究者为了得到 中的交互行为“拳击”，当摄像头角度固定时，2个人 鲁棒的运动描述特征，对视频中的人体运动进行了 拳击的过程中会不停地挪动，遮挡是很常见的，一旦 前提性的假设，如假设已经实现了鲁棒的人体跟踪， 遮挡发生就会造成子特征或者整体轮廓类特征混 排除轻微的相机晃动和图像模糊以及对观察视角进 乱，对识别的进行会造成严重影响另外，当全遮挡 行了若干个简单的划分.这些都从根本上限制了方 发生的时候，根本无法完成目标定位或者运动物体 法本身在实际视频中的应用， 的定位，这是显而易见的实际难题， 为了解决这些问题，首先需要对问题本身进行 4)视角转变(view point variation).当摄像机的 分析，然后对识别过程中出现的各类难点问题进行 视角发生大的转变时，所观察到的运动在计算机看 总结 来就有可能完全不同.例如，图1(d)中的自行车运 动，侧面得到的特征和背面有很大的不同，如轮廓、 姿势等.当然，远近视角会造成尺度的变化，这也是 需要在特征选取过程中考虑的因素 (a)人体遮挡 (b)相机晃动(c)严重阴影 5)相机运动(camera motion).相机运动是造成 运动序列变化的另一种根本性因素，不合理的相机 运动设置会造成严重的运动扭曲，其中就包括相机 抖动的情况.相机在运动过程中会造成运动视角的 转变以及背景的更新，因此固定相机和移动相机所 (d)类内多样性 (e)类间相似性 拍摄的同一运动过程就会显现出不同的状态.一般 图1人体运动分析中的客观难点举例 会采用预处理的方式对相机移动造成的影响进行运 Fig.I Examples of problems in human action analysis 动补偿，但是当视频中包含快速的背景变化或者难 为了便于后面的论述，本文先给出几个术语 以进行轨迹参数化的相机运动时，预处理是完全无 1)类内多样性(intra-class variations).它指的是 效的 相同的运动存在不同的个体和视角.人体运动者处 6)动态背景(dynamic background).实际场景中 于不同的年龄阶段，会拥有不同的外表，同时运动速 经常包含同时运动的多个人和物体，因此，背景是不 度和时空变化程度都有较大的差异.例如图1(d)所 断变化的.当存在这种变化时，运动识别主要面临的 示的2个骑单车运动，它们的不同之处就在于实验 问题是会出现局部或者全身遮挡，导致目标定位和 者的着装以及拍摄视角，这就导致了在特征获取阶 识别变得复杂和困难，背景减除也变得困难，运动特

ｓｔａｎｄｉｎｇ）、ＰＡＭＩ（ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙ⁃ ｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ）、ＩＶＣ（ Ｉｍａｇｅ ａｎｄ Ｖｉｓｉｏｎ Ｃｏｍｐｕｔｉｎｇ）， 以及重要的国际学术会议， 如 ＩＣＣＶ （Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ）、ＣＶＰＲ （ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ）、 ＥＣＣＶ （ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍ⁃ ｐｕｔｅｒ Ｖｉｓｉｏｎ）等，已将基于视频信息的人体运动分析 研究作为其主体内容之一［１］ ．目前，在低噪声环境下 获取的视频中进行运动检测和识别已经可以达到较 高的识别效率，但是针对实际环境中的视频，人体运 动描述和识别仍然面临很多难题． １ 人体运动描述的研究难点 由于人体运动识别需要将视频中包含的人体运 动进行准确地描述和正确地分类，因此这是一项极 富挑战性的研究工作．另外，当此类方法应用到实际 视频中时，由于视频中存在的种种现象，如人体遮 挡、视频模糊、拍摄视角变化等，所需要解决的问题 就变得更加复杂．为了避免研究这些复杂情形，很多 研究方法都集中在对视频质量和运动发生环境严格 受限的理想数据库的实验上．而且，研究者为了得到 鲁棒的运动描述特征，对视频中的人体运动进行了 前提性的假设，如假设已经实现了鲁棒的人体跟踪， 排除轻微的相机晃动和图像模糊以及对观察视角进 行了若干个简单的划分．这些都从根本上限制了方 法本身在实际视频中的应用． 为了解决这些问题，首先需要对问题本身进行 分析，然后对识别过程中出现的各类难点问题进行 总结． 图 １ 人体运动分析中的客观难点举例 Ｆｉｇ．１ Ｅｘａｍｐｌｅｓ ｏｆ ｐｒｏｂｌｅｍｓ ｉｎ ｈｕｍａｎ ａｃｔｉｏｎ ａｎａｌｙｓｉｓ 为了便于后面的论述，本文先给出几个术语． １）类内多样性（ｉｎｔｒａ⁃ｃｌａｓｓ ｖａｒｉａｔｉｏｎｓ）．它指的是 相同的运动存在不同的个体和视角．人体运动者处 于不同的年龄阶段，会拥有不同的外表，同时运动速 度和时空变化程度都有较大的差异．例如图 １（ｄ）所 示的 ２ 个骑单车运动，它们的不同之处就在于实验 者的着装以及拍摄视角，这就导致了在特征获取阶 段得到的特征存在着很大的差异性，最直观的轮廓 特征就几乎完全不同．为了解决类内多样性，需要探 求一种抓住运动本质的鲁棒运动特征． ２）类间相似性（ｉｎｔｅｒ⁃ｃｌａｓｓ ｓｉｍｉｌａｒｉｔｙ）．它指的是 不同的运动看上去有很大的相似性，这与类内多样 性是相对的一种困难情况．例如图 １（ ｅ）中显示的 ２ 张灰度图像，２ 个人好像都是在跑步，但是结合原多 帧图像序列可以判断第 １ 幅子图是在跑步而第 ２ 幅 子图是在单腿向前跳．在视频中跑和跳出现了多帧 极其类似的情况，这就给区分这 ２ 个运动带来了极 大的模糊性．并且，当分类的运动种类增多时，这种 类间相似造成的模糊性也会随之增大，进而导致识 别率降低，这就要求继续研究高区分度的人体运动 描述特征和模型． ３）人体遮挡（ ｂｏｄｙ ｏｃｃｌｕｓｉｏｎ）．实际场景中的人 体经常会被场景中的其他人或物体遮挡住部分或者 全部的身体，有时还会因为视角的问题产生自遮挡 的问题．这类问题严重影响了运动特征的有效提取 和描述过程．此时，识别算法获取的特征是不完整 的，甚至会误导识别结果，降低识别率．例如图 １（ａ） 中的交互行为“拳击”，当摄像头角度固定时，２ 个人 拳击的过程中会不停地挪动，遮挡是很常见的，一旦 遮挡发生就会造成子特征或者整体轮廓类特征混 乱，对识别的进行会造成严重影响．另外，当全遮挡 发生的时候，根本无法完成目标定位或者运动物体 的定位，这是显而易见的实际难题． ４）视角转变（ ｖｉｅｗ ｐｏｉｎｔ ｖａｒｉａｔｉｏｎ）．当摄像机的 视角发生大的转变时，所观察到的运动在计算机看 来就有可能完全不同．例如，图 １（ ｄ）中的自行车运 动，侧面得到的特征和背面有很大的不同，如轮廓、 姿势等．当然，远近视角会造成尺度的变化，这也是 需要在特征选取过程中考虑的因素． ５）相机运动（ ｃａｍｅｒａ ｍｏｔｉｏｎ）．相机运动是造成 运动序列变化的另一种根本性因素，不合理的相机 运动设置会造成严重的运动扭曲，其中就包括相机 抖动的情况．相机在运动过程中会造成运动视角的 转变以及背景的更新，因此固定相机和移动相机所 拍摄的同一运动过程就会显现出不同的状态．一般 会采用预处理的方式对相机移动造成的影响进行运 动补偿，但是当视频中包含快速的背景变化或者难 以进行轨迹参数化的相机运动时，预处理是完全无 效的． ６）动态背景（ ｄｙｎａｍｉｃ ｂａｃｋｇｒｏｕｎｄ）．实际场景中 经常包含同时运动的多个人和物体，因此，背景是不 断变化的．当存在这种变化时，运动识别主要面临的 问题是会出现局部或者全身遮挡，导致目标定位和 识别变得复杂和困难，背景减除也变得困难，运动特 ·１９０· 智 能 系 统 学 报 第 ８ 卷

第3期 孙倩茹，等：视频序列的人体运动描述方法综述 ·191· 征提取会因为严重的背景噪声而变得效率低下 Bobick和Davis2)于2001年提出使用人体轮廓 7)其他环境因素(environmental conditions).录 模板训练分类器的方法，他们采集单一视角的轮廓并 像设置和场景选择也是影响运动分析的重要因素. 对其进行聚类以提取可计算的特征向量.首先利用连 例如，室外场景中存在的阴影、光照变化以及人群拥 续的轮廓形状建立一种运动能量图(MEI),用于表征 挤都会严重影响人体运动识别结果 运动发生的位置信息：再建立一种运动历史图 2 经典的人体运动描述方法 (MⅢ)，用于表征轮廓序列的灰度值变化情况：最后 通过对这2种特征图像的参数化描述建立运动特征 通常来说，不同的运动具有不同的计算复杂度 向量（如图2）.Blank4)和Yilmaz先后提出了结合运 运动表示方法的不同会直接影响后续识别的效率， 动信息的人体3D体积模型，通过获取轮廓序列计算 Bobick[将人的运动分为3类：动作(movement)、行 3D体积的特征值（如体积大小、时空角点位置等）来 动(action)和行为(activity),这3类运动分别处于3 计算运动描述向量.除了利用单纯的轮廓和体积信息 个不同复杂度的层次上.动作是运动的基元，是最基 之外，Wang6]为了探索人体轮廓的运动流形轨迹的 本的运动，是形成其他复杂、高级运动的基础.一般 内在结构，于2007年提出采用LPp)(R变换)对提 来说人体动作在执行过程中会持续较短的时间，其 取的人体轮廓序列进行轨迹分析，他们在多个具有挑 识别方法一般可以采用几何或概率统计的方法3)] 战性的数据库上对这种方法的鲁棒性进行了实验验 一般来说，运动的表示与应用场合有紧密的关系，对 证，均取得了较好的识别效果。 于不同的情况通常会选择不同的运动表示方法.譬 如，在对一个大的场景下进行较远距离的监控时，只 需要提取运动目标的轨迹就可以满足需要，而在识 别近距离人体动作时，对人的肢体进行2D或者3D 建模则会起到更好的效果[)」 动作描述是指给定一段包含人体运动的视频， 需要建立起视频（观察）到高维特征空间一种合理 的映射，用特征或者特征的组合形式来表述这段运 动.参考在第1节中提到的人体运动识别的难点，主 要解决途径就是探求具备高类间区分度且对类内元 素具有很好的“聚类”作用的特征描述方法.好的运 动描述方法可以使人体运动识别系统实现高识别效 率，因此近些年来，运动的特征描述成为运动识别的 重点研究之一 (a)关键顿 (b)MEI (e)MHI 根据近些年的相关研究成果，关于运动的特征 图2人体运动描述子：MEI和MHI 描述方法主要可以分为四大类2]：1)基于时空形状 Fig.2 Human action descriptors:MEI and MHI 模板(spatio-temporal shape template)的运动描述方 后续的很多文献致力于获取对视角和尺度变化 法；2)基于光流(optical flow)特征的运动描述方法； 较为鲁棒的轮廓描述方法，但是在处理实际视频中 3)基于运动轨迹(trajectories)的运动描述方法；4) 出现的遮挡、拥挤、大视角大尺度视频变化等问题 基于兴趣点(interest points)的运动描述方法. 时，基于时空形状模板的运动描述方法难以满足识 2.1基于时空形状模板的运动描述方法 别要求 时空形状模板是一种较早的用于运动识别的方 2.2基于光流特征的运动描述方法 法该方法在训练过程中通过对视频序列中检测到 基于光流特征的运动描述方法是将人体运动联 的人体形状建立起一组与特定运动相对应的人体形 合背景变化作为一个变化的整体，然后通过获取主 状序列运动识别的过程实际就是模板匹配的过程， 运动区域来定位人体运动.光流法不需要预先获取 获得训练样本的高质量轮廓模板是这类方法的前 图像背景，而且计算结果仅仅依靠连续帧的相对运 提.因此，这类方法要求以高精度的人体轮廓分割 动，不受复杂背景的影响，因而在基于对象的运动估 (一般会使用背景减除)为前提，因此当出现复杂背 计、运动检测和跟踪等领域都有广阔的应用前景[) 景情形时，如相机晃动、人体阴影、人体遮挡或者多 光流的基本计算以2帧图像亮度恒定为前提，用泰 个运动目标，此类方法的识别率会变得比较低，甚至 勒级数一阶展开，使得光流计算受限于2帧图像间 会完全失效

征提取会因为严重的背景噪声而变得效率低下． ７）其他环境因素（ ｅｎｖｉｒｏｎｍｅｎｔａｌ ｃｏｎｄｉｔｉｏｎｓ）．录 像设置和场景选择也是影响运动分析的重要因素． 例如，室外场景中存在的阴影、光照变化以及人群拥 挤都会严重影响人体运动识别结果． ２ 经典的人体运动描述方法 通常来说，不同的运动具有不同的计算复杂度， 运动表示方法的不同会直接影响后续识别的效率． Ｂｏｂｉｃｋ ［２］将人的运动分为 ３ 类：动作（ｍｏｖｅｍｅｎｔ）、行 动（ａｃｔｉｏｎ）和行为（ａｃｔｉｖｉｔｙ），这 ３ 类运动分别处于 ３ 个不同复杂度的层次上．动作是运动的基元，是最基 本的运动，是形成其他复杂、高级运动的基础．一般 来说人体动作在执行过程中会持续较短的时间，其 识别方法一般可以采用几何或概率统计的方法［３］ ． 一般来说，运动的表示与应用场合有紧密的关系，对 于不同的情况通常会选择不同的运动表示方法．譬 如，在对一个大的场景下进行较远距离的监控时，只 需要提取运动目标的轨迹就可以满足需要，而在识 别近距离人体动作时，对人的肢体进行 ２Ｄ 或者 ３Ｄ 建模则会起到更好的效果［３］ ． 动作描述是指给定一段包含人体运动的视频， 需要建立起视频（观察）到高维特征空间一种合理 的映射，用特征或者特征的组合形式来表述这段运 动．参考在第 １ 节中提到的人体运动识别的难点，主 要解决途径就是探求具备高类间区分度且对类内元 素具有很好的“聚类”作用的特征描述方法．好的运 动描述方法可以使人体运动识别系统实现高识别效 率，因此近些年来，运动的特征描述成为运动识别的 重点研究之一． 根据近些年的相关研究成果，关于运动的特征 描述方法主要可以分为四大类［２］ ：１）基于时空形状 模板（ｓｐａｔｉｏ⁃ｔｅｍｐｏｒａｌ ｓｈａｐｅ ｔｅｍｐｌａｔｅ） 的运动描述方 法；２）基于光流（ｏｐｔｉｃａｌ ｆｌｏｗ）特征的运动描述方法； ３）基于运动轨迹（ ｔｒａｊｅｃｔｏｒｉｅｓ） 的运动描述方法；４） 基于兴趣点（ｉｎｔｅｒｅｓｔ ｐｏｉｎｔｓ）的运动描述方法． ２．１ 基于时空形状模板的运动描述方法 时空形状模板是一种较早的用于运动识别的方 法．该方法在训练过程中通过对视频序列中检测到 的人体形状建立起一组与特定运动相对应的人体形 状序列．运动识别的过程实际就是模板匹配的过程， 获得训练样本的高质量轮廓模板是这类方法的前 提．因此，这类方法要求以高精度的人体轮廓分割 （一般会使用背景减除）为前提，因此当出现复杂背 景情形时，如相机晃动、人体阴影、人体遮挡或者多 个运动目标，此类方法的识别率会变得比较低，甚至 会完全失效． Ｂｏｂｉｃｋ 和 Ｄａｖｉｓ ［２］ 于 ２００１ 年提出使用人体轮廓 模板训练分类器的方法，他们采集单一视角的轮廓并 对其进行聚类以提取可计算的特征向量．首先利用连 续的轮廓形状建立一种运动能量图（ＭＥＩ），用于表征 运动 发 生 的 位 置 信 息；再 建 立 一 种 运 动 历 史 图 （ＭＨＩ），用于表征轮廓序列的灰度值变化情况；最后 通过对这 ２ 种特征图像的参数化描述建立运动特征 向量（如图 ２）．Ｂｌａｎｋ ［４］和 Ｙｉｌｍａｚ ［５］先后提出了结合运 动信息的人体 ３Ｄ 体积模型，通过获取轮廓序列计算 ３Ｄ 体积的特征值（如体积大小、时空角点位置等）来 计算运动描述向量．除了利用单纯的轮廓和体积信息 之外，Ｗａｎｇ ［６］为了探索人体轮廓的运动流形轨迹的 内在结构，于 ２００７ 年提出采用 ＬＰＰ ［７］ （Ｒ 变换）对提 取的人体轮廓序列进行轨迹分析，他们在多个具有挑 战性的数据库上对这种方法的鲁棒性进行了实验验 证，均取得了较好的识别效果． 图 ２ 人体运动描述子：ＭＥＩ 和 ＭＨＩ Ｆｉｇ．２ Ｈｕｍａｎ ａｃｔｉｏｎ ｄｅｓｃｒｉｐｔｏｒｓ： ＭＥＩ ａｎｄ ＭＨＩ 后续的很多文献致力于获取对视角和尺度变化 较为鲁棒的轮廓描述方法，但是在处理实际视频中 出现的遮挡、拥挤、大视角大尺度视频变化等问题 时，基于时空形状模板的运动描述方法难以满足识 别要求． ２．２ 基于光流特征的运动描述方法 基于光流特征的运动描述方法是将人体运动联 合背景变化作为一个变化的整体，然后通过获取主 运动区域来定位人体运动．光流法不需要预先获取 图像背景，而且计算结果仅仅依靠连续帧的相对运 动，不受复杂背景的影响，因而在基于对象的运动估 计、运动检测和跟踪等领域都有广阔的应用前景［８］ ． 光流的基本计算以 ２ 帧图像亮度恒定为前提，用泰 勒级数一阶展开，使得光流计算受限于 ２ 帧图像间 第 ３ 期 孙倩茹，等：视频序列的人体运动描述方法综述 ·１９１·

·192 智能系统学报 第8卷 的运动不能大于1个像素，因此只有当相邻2帧间 特征、身体轮廓等，建立起三维综合信息，实现最终 的运动不大于1个像素时，标准光流算法才比较可 的人体运动描述 靠.Efos]于2003年率先在这个领域有所突破，他 Rao和Shah]于2001年研究了人手运动过程 先是利用跟踪算法锁定远距离的人体，然后再对跟 中轨迹的视角不变性，他们的方法是通过计算轨迹 踪目标框内的视频流进行光流变化的检测和统计， 的时空曲率实现的，其中运动轨迹是通过肤色跟踪 同时将光流变化划分为上下左右4个独立通道，获 器记录人手动作执行过程得到的.Sheikh]于2005 取邻接跟踪通道中光流的时间相关数据作为最终的 年提出了使用人体的多个肢点记录轨迹来表示某一 运动描述子.如图3所示，其中图3(a)为原始图像， 个人体的全身运动情况，其描述空间是包含了时间 图3(b)是光流图像，图3(c)是分离出来的x和y 轴的4D空间.这一方法的明显缺点是无法对长时间 方向上的光流分量，图3(d)是半波整流产生的4个 视角变化的运动轨迹进行清晰有效的表示.为了探 独立通道分量，图3(e)是得到的模糊运动通道.这 索这一问题的解决方案，John4于2010年提出了 种方法虽然没有利用轮廓分割，但是需要鲁棒的人 一种多视角情况下跟踪铰链式人体运动的框架，该 体跟踪，因此目标的全遮挡和尺度变化对检测性能 方法在文中设定的一系列限制条件下取得了较好的 的影响很大.其后，Fathito]提出了结合底层和中层 实验效果.A1)则另辟蹊径，提出了获取关节轨迹 特征对视频中的运动区域进行整体描述，其中中层 的混沌不变量作为不同运动之间可用于相互区分的 特征就是采用上述光流方法， 特征，该特征在2个经典的人体运动数据库上取得 了较好的运动分类效果.图4中描绘了人体跑步运 动的3种轨迹曲线[)」 (a)原始图像 (b)光流图像 图4跑步运动的3种运动轨迹 Fig.4 Running trajectories toward three orientations 针对视频中存在的运动识别难点，Wang16]和 (cr和方向 (上下左右4个 (e模糊运动通道 上的光流分量独立通道分量 Raptis1]分别于2011年和2012年提出利用视频中 图3光流及其光流描述子 局部特征的稠密运动轨迹进行运动识别和分析，这 Fig.3 Optical flow and its corresponding description 是目前针对实际拍摄中相机抖动的2种性能较好的 另一类光流描述方法是将光流算子作为局部特 方法.其缺点是计算和分析的代价较大，检测到的局 征，通过经典统计方法训练分类器.Danafar山将跟 部特征维度较高，因此对计算机的计算能力要求高. 踪通道内的局部光流按照横向和纵向划分为2个独 同时，所记录运动轨迹的稠密性决定了这类方法对 立通道进行特征直方图统计，将统计结果作为运动 计算机的存储能力要求也很高. 描述算子，再利用SVM分类器实现最终的运动分类 2.4 基于兴趣点的运动描述方法 和识别实验表明该局部特征统计方法对环境噪声 基于兴趣点的人体运动描述模型是建立在2个 和视角变化有良好的鲁棒性 关键步骤上的：兴趣点的检测和兴趣点周围局部区 2.3基于运动轨迹的运动描述方法 域的描述.在现有的各种运动表示方法和模型中，基 运动轨迹模型是利用时空描述子记录行动物体 于兴趣点的运动描述是研究者们最热衷的一类方 的运动轨迹或肢体运动轨迹，通过轨迹特征来表述 法.与前面提到的人体模型表示方法和轨迹表示方 相应的运动其优点是可以记录关于目标运动的整 法比较，兴趣点模型最大的优点就是不需要跟踪移 体发生时间特性，增强运动间的区分度：缺点在于它 动人体或对其进行任何轮廓轨迹的建模，并且兴趣 通常需要将3D空间的轨迹映射到2D再进行数学 点是对显著区域的稀疏采样，因此其存储和计算代 价较小这类模型的缺点是无法解决动态背景干扰 化描述，这就造成了视角模糊性，进而增加了运动种 类间的模糊性.为了尽量减少轨迹的模糊性，很多学 问题.下面分2个部分论述这类模型的主要框架和 实现方法：兴趣点检测和局部区域描述， 者通过增加与运动轨迹相联系的描述信息，如局部

的运动不能大于 １ 个像素，因此只有当相邻 ２ 帧间 的运动不大于 １ 个像素时，标准光流算法才比较可 靠．Ｅｆｒｏｓ ［９］于 ２００３ 年率先在这个领域有所突破，他 先是利用跟踪算法锁定远距离的人体，然后再对跟 踪目标框内的视频流进行光流变化的检测和统计， 同时将光流变化划分为上下左右 ４ 个独立通道，获 取邻接跟踪通道中光流的时间相关数据作为最终的 运动描述子．如图 ３ 所示，其中图 ３（ａ）为原始图像， 图 ３（ｂ）是光流图像，图 ３（ ｃ） 是分离出来的 ｘ 和 ｙ 方向上的光流分量，图 ３（ｄ）是半波整流产生的 ４ 个 独立通道分量，图 ３（ ｅ）是得到的模糊运动通道．这 种方法虽然没有利用轮廓分割，但是需要鲁棒的人 体跟踪，因此目标的全遮挡和尺度变化对检测性能 的影响很大．其后，Ｆａｔｈｉ ［１０］ 提出了结合底层和中层 特征对视频中的运动区域进行整体描述，其中中层 特征就是采用上述光流方法． 图 ３ 光流及其光流描述子 Ｆｉｇ．３ Ｏｐｔｉｃａｌ ｆｌｏｗ ａｎｄ ｉｔｓ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｄｅｓｃｒｉｐｔｉｏｎ 另一类光流描述方法是将光流算子作为局部特 征，通过经典统计方法训练分类器．Ｄａｎａｆａｒ ［１１］ 将跟 踪通道内的局部光流按照横向和纵向划分为 ２ 个独 立通道进行特征直方图统计，将统计结果作为运动 描述算子，再利用 ＳＶＭ 分类器实现最终的运动分类 和识别．实验表明该局部特征统计方法对环境噪声 和视角变化有良好的鲁棒性． ２．３ 基于运动轨迹的运动描述方法 运动轨迹模型是利用时空描述子记录行动物体 的运动轨迹或肢体运动轨迹，通过轨迹特征来表述 相应的运动．其优点是可以记录关于目标运动的整 体发生时间特性，增强运动间的区分度；缺点在于它 通常需要将 ３Ｄ 空间的轨迹映射到 ２Ｄ 再进行数学 化描述，这就造成了视角模糊性，进而增加了运动种 类间的模糊性．为了尽量减少轨迹的模糊性，很多学 者通过增加与运动轨迹相联系的描述信息，如局部 特征、身体轮廓等，建立起三维综合信息，实现最终 的人体运动描述． Ｒａｏ 和 Ｓｈａｈ ［１２］于 ２００１ 年研究了人手运动过程 中轨迹的视角不变性，他们的方法是通过计算轨迹 的时空曲率实现的，其中运动轨迹是通过肤色跟踪 器记录人手动作执行过程得到的．Ｓｈｅｉｋｈ ［１３］ 于 ２００５ 年提出了使用人体的多个肢点记录轨迹来表示某一 个人体的全身运动情况，其描述空间是包含了时间 轴的 ４Ｄ 空间．这一方法的明显缺点是无法对长时间 视角变化的运动轨迹进行清晰有效的表示．为了探 索这一问题的解决方案，Ｊｏｈｎ ［１４］ 于 ２０１０ 年提出了 一种多视角情况下跟踪铰链式人体运动的框架，该 方法在文中设定的一系列限制条件下取得了较好的 实验效果．Ａｌｉ ［１５］则另辟蹊径，提出了获取关节轨迹 的混沌不变量作为不同运动之间可用于相互区分的 特征，该特征在 ２ 个经典的人体运动数据库上取得 了较好的运动分类效果．图 ４ 中描绘了人体跑步运 动的 ３ 种轨迹曲线［１５］ ． 图 ４ 跑步运动的 ３ 种运动轨迹 Ｆｉｇ．４ Ｒｕｎｎｉｎｇ ｔｒａｊｅｃｔｏｒｉｅｓ ｔｏｗａｒｄ ｔｈｒｅｅ ｏｒｉｅｎｔａｔｉｏｎｓ 针对视频中存在的运动识别难点，Ｗａｎｇ ［１６］ 和 Ｒａｐｔｉｓ ［１７］分别于 ２０１１ 年和 ２０１２ 年提出利用视频中 局部特征的稠密运动轨迹进行运动识别和分析，这 是目前针对实际拍摄中相机抖动的 ２ 种性能较好的 方法．其缺点是计算和分析的代价较大，检测到的局 部特征维度较高，因此对计算机的计算能力要求高． 同时，所记录运动轨迹的稠密性决定了这类方法对 计算机的存储能力要求也很高． ２．４ 基于兴趣点的运动描述方法 基于兴趣点的人体运动描述模型是建立在 ２ 个 关键步骤上的：兴趣点的检测和兴趣点周围局部区 域的描述．在现有的各种运动表示方法和模型中，基 于兴趣点的运动描述是研究者们最热衷的一类方 法．与前面提到的人体模型表示方法和轨迹表示方 法比较，兴趣点模型最大的优点就是不需要跟踪移 动人体或对其进行任何轮廓轨迹的建模，并且兴趣 点是对显著区域的稀疏采样，因此其存储和计算代 价较小．这类模型的缺点是无法解决动态背景干扰 问题．下面分 ２ 个部分论述这类模型的主要框架和 实现方法：兴趣点检测和局部区域描述． ·１９２· 智 能 系 统 学 报 第 ８ 卷

第3期 孙倩茹，等：视频序列的人体运动描述方法综述 ·193· 2.4.1兴趣，点检测 2006年，0 ikonomopoulos2提出了一种改进的兴 兴趣点是指当运动发生时在视频中检测到的运 趣点检测器，他利用光流信息来降低相机运动或背景 动显著位置的集合.对于不具备连续性的运动来说， 连续变化所带来的背景干扰问题具体算法是将光流场 很多基于模板匹配的方法会失效，此时兴趣点检测 中的热力熵信息与Dollar方法中的灰度梯度值相结合 显得尤为重要.更重要的是，兴趣点检测不需要考虑 之后对视频中的显著区域进行检测该方法使用的时空 视角变换和运动事件周期的变化近些年，在图像识 尺度是利用测试得到的最佳尺度.为了增强兴趣点的描 别领域出现了很多兴趣点定义和检测的方法，比较 述有效性，该方法还采用了聚类的手段进行特征选择， 著名的是Hais1)]于1988年提出的图像角点检测， 排除掉了一些低显著度的兴趣点」 2003年Laptev等19]将Harris角点检测拓展到三维 总的来说，这类显著区域检测器主要利用的是 视频数据的显著区域定位上，提出了3D时空兴趣 图像变化信息，因此其检测性能还是很好的但是这 点的检测方法.2D兴趣点完全忽略视频数据中的时 类检测器最大的缺陷是主要适用于静止相机拍摄的 域变化信息，而3D兴趣点周围局部区域内的三维 包含运动信息的视频.为此，2007年Wong和Cipol- 灰度数据无论是在时空域还是在时域上都包含了比 较丰富的像素变化信息，所以它们普遍具有很强的 la[提出将空间域检测和时间域检测分开进行的 特征描述能力并且应用广泛这种检测角点的缺点 思想，这样就可以在空间上做合理化的背景减除来 在于处理比较平滑少纹理的视频数据时，检测足够 提取主要运动区域，进而适应移动摄相机的情况， 多的有效显著区域是比较困难的.为了解决这一显 2.4.2局部区域描述 著点过于稀疏的问题，Dollar2o在2005年提出了一 近年来，在对兴趣点周围局部区域的描述，即局 种基于周期性运动的兴趣点检测方法（图5所示）， 部特征的获取上，相关研究人员花费了很大的精力 他利用2D空间高斯平滑核函数g和1对1D时间 Schuldt!2)是这方面工作的先驱，他先是利用Laptev 高斯核函数h、h(式(1)和(2))构造了三维响应 的检测器19]检测兴趣点，再对兴趣点周围的立体区 函数R(式(3).所要获取的兴趣点个数是通过手动 域提取灰度值变化的标准化差分算子作为局部特 调整2个核函数的尺度参数来进行设定的.这个兴 征，最后经过聚类算法计算所有获取特征的统计直 趣点检测器虽然应用广泛：但是检测器本身还是存 方图这种方法可以避免摄像头移动带来的干扰，但 在一些缺点，比如运动物体边缘较为平滑（和背景 是对于相似度较高的运动（如跑步和单腿向前跳） 区分度很小)即灰度值变化较小时，检测足够的显 识别效果比较差. 著区域也是比较困难，另外，这种检测是在单一尺度 较先提出兴趣点检测算子的Dollar2o]同时提出 (固定尺度参数)下的 了局部特征描述的方法.他在文章中对3种不同的 [h (t:T,)=-cos(2m)e (1) 描述子进行了测试：像素级别的归一化描述子、亮度 (ht:,)=-sin(2m)e (2) 梯度描述子和基于光流统计的描述子.其中利用亮 R=(I*g*hn)2+(I*g*h)2. (3) 度梯度描述子的分类器达到了最好的运动识别效 果.该方法还利用PCA来降低特征维度，提高了计 算和存储的效率。 为了将检测到的显著区域较好地表示出来，以 达到较高的特征区分度，Scovanner24]在2007年提 出了改进的3D-SFT算子（图6所示），利用3个维 (a)动作l b)动作2 度的高斯差分结果计算局部灰度特征，这是一种时 间域上扩展的ST方法[2].此外，还有很多特征融 合的描述子建立方法[26]都取得了较高的人体运 动识别率 (c)动作3 (d)动作4 图5 芭蕾舞运动中的兴趣点检测和相应的分类标记 Fig.5 Interest points of Ballet motions and their corre- sponding labeled results 图63D-SFT描述算子的提取和建立过程 Fig.6 The extraction process of a 3D-SIFT descriptor

２．４．１ 兴趣点检测 兴趣点是指当运动发生时在视频中检测到的运 动显著位置的集合．对于不具备连续性的运动来说， 很多基于模板匹配的方法会失效，此时兴趣点检测 显得尤为重要．更重要的是，兴趣点检测不需要考虑 视角变换和运动事件周期的变化．近些年，在图像识 别领域出现了很多兴趣点定义和检测的方法，比较 著名的是 Ｈａｒｒｉｓ ［１８］于 １９８８ 年提出的图像角点检测， ２００３ 年 Ｌａｐｔｅｖ 等［１９］将 Ｈａｒｒｉｓ 角点检测拓展到三维 视频数据的显著区域定位上，提出了 ３Ｄ 时空兴趣 点的检测方法．２Ｄ 兴趣点完全忽略视频数据中的时 域变化信息，而 ３Ｄ 兴趣点周围局部区域内的三维 灰度数据无论是在时空域还是在时域上都包含了比 较丰富的像素变化信息，所以它们普遍具有很强的 特征描述能力并且应用广泛．这种检测角点的缺点 在于处理比较平滑少纹理的视频数据时，检测足够 多的有效显著区域是比较困难的．为了解决这一显 著点过于稀疏的问题，Ｄｏｌｌａｒ ［２０］ 在 ２００５ 年提出了一 种基于周期性运动的兴趣点检测方法（图 ５ 所示）， 他利用 ２Ｄ 空间高斯平滑核函数 ｇ 和 １ 对 １Ｄ 时间 高斯核函数 ｈｅｖ、ｈｏｄ（式（１）和（２））构造了三维响应 函数 Ｒ（式（３））．所要获取的兴趣点个数是通过手动 调整 ２ 个核函数的尺度参数来进行设定的．这个兴 趣点检测器虽然应用广泛；但是检测器本身还是存 在一些缺点，比如运动物体边缘较为平滑（和背景 区分度很小） 即灰度值变化较小时，检测足够的显 著区域也是比较困难，另外，这种检测是在单一尺度 （固定尺度参数）下的． ｈｅｖ（ｔ；τ，ω） ＝ － ｃｏｓ（２πｔω）ｅ －ｔ ２ ／ τ ２ ， （１） ｈｏｄ（ｔ；τ，ω） ＝ － ｓｉｎ（２πｔω）ｅ －ｔ ２ ／ τ ２ ； （２） { Ｒ ＝ （Ｉ∗ｇ∗ｈｅｖ） ２ ＋ （Ｉ∗ｇ∗ｈｏｄ ） ２ ． （３） 图 ５ 芭蕾舞运动中的兴趣点检测和相应的分类标记 Ｆｉｇ．５ Ｉｎｔｅｒｅｓｔ ｐｏｉｎｔｓ ｏｆ Ｂａｌｌｅｔ ｍｏｔｉｏｎｓ ａｎｄ ｔｈｅｉｒ ｃｏｒｒｅ⁃ ｓｐｏｎｄｉｎｇ ｌａｂｅｌｅｄ ｒｅｓｕｌｔｓ ２００６ 年，Ｏｉｋｏｎｏｍｏｐｏｕｌｏｓ ［２１］ 提出了一种改进的兴 趣点检测器，他利用光流信息来降低相机运动或背景 连续变化所带来的背景干扰问题．具体算法是将光流场 中的热力熵信息与 Ｄｏｌｌａｒ 方法中的灰度梯度值相结合 之后对视频中的显著区域进行检测．该方法使用的时空 尺度是利用测试得到的最佳尺度．为了增强兴趣点的描 述有效性，该方法还采用了聚类的手段进行特征选择， 排除掉了一些低显著度的兴趣点． 总的来说，这类显著区域检测器主要利用的是 图像变化信息，因此其检测性能还是很好的．但是这 类检测器最大的缺陷是主要适用于静止相机拍摄的 包含运动信息的视频．为此，２００７ 年 Ｗｏｎｇ 和 Ｃｉｐｏｌ⁃ ｌａ ［２２］提出将空间域检测和时间域检测分开进行的 思想，这样就可以在空间上做合理化的背景减除来 提取主要运动区域，进而适应移动摄相机的情况． ２．４．２ 局部区域描述 近年来，在对兴趣点周围局部区域的描述，即局 部特征的获取上，相关研究人员花费了很大的精力． Ｓｃｈｕｌｄｔ ［２３］是这方面工作的先驱，他先是利用 Ｌａｐｔｅｖ 的检测器［１９］检测兴趣点，再对兴趣点周围的立体区 域提取灰度值变化的标准化差分算子作为局部特 征，最后经过聚类算法计算所有获取特征的统计直 方图．这种方法可以避免摄像头移动带来的干扰，但 是对于相似度较高的运动（如跑步和单腿向前跳） 识别效果比较差． 较先提出兴趣点检测算子的 Ｄｏｌｌａｒ ［２０］同时提出 了局部特征描述的方法．他在文章中对 ３ 种不同的 描述子进行了测试：像素级别的归一化描述子、亮度 梯度描述子和基于光流统计的描述子．其中利用亮 度梯度描述子的分类器达到了最好的运动识别效 果．该方法还利用 ＰＣＡ 来降低特征维度，提高了计 算和存储的效率． 为了将检测到的显著区域较好地表示出来，以 达到较高的特征区分度，Ｓｃｏｖａｎｎｅｒ ［２４］ 在 ２００７ 年提 出了改进的 ３Ｄ⁃ＳＩＦＴ 算子（图 ６ 所示），利用 ３ 个维 度的高斯差分结果计算局部灰度特征，这是一种时 间域上扩展的 ＳＩＦＴ 方法［２５］ ．此外，还有很多特征融 合的描述子建立方法［２６⁃２７］ 都取得了较高的人体运 动识别率． 图 ６ ３Ｄ⁃ＳＩＦＴ 描述算子的提取和建立过程 Ｆｉｇ．６ Ｔｈｅ ｅｘｔｒａｃｔｉｏｎ ｐｒｏｃｅｓｓ ｏｆ ａ ３Ｄ⁃ＳＩＦＴ ｄｅｓｃｒｉｐｔｏｒ 第 ３ 期 孙倩茹，等：视频序列的人体运动描述方法综述 ·１９３·

·194· 智能系统学报 第8卷 为了更深层次地探索稀疏兴趣点所夹带的空间 运动的区分能力实现特征选择.而包装器方法则通 运动信息，Sun等[2]于2012年提出将点与点之间 过评估所得到分类器的分类性能来进行特征选择， 的距离信息(NGLD相关图，如图7所示)与传统局 两者主要的区别就在于包装器方法的实现借助于目 部特征的Bag-of-Words模型2]相结合.在相同的数 标分类器，而滤纸法则不需要.因此，相对于包装器 据库上进行验证时，此方法取得了更加鲁棒的人体 方法，滤纸法计算速度较快，选择效率较低」 运动识别效果. 3.1滤纸法 滤纸法的思路就是考虑每个独立的特征，对其 与目标运动类的相关度进行评估排名，选择前k个 特征即可.其中比较经典的特征评估算法如1992年 (a)WEIZMANN数据库 Kira和Rendell提出的救援算法[]，该算法通过计 算不同特征对不同运动类别的线性从属值的大小进 行特征排序.Zaffalon和Hutter3]于2002年提出了 另外一种基于互信息量度的非线性从属关系计算方 (b)UCF运动数据库 法.其中互信息量度是指一个独立特征对一个特别 图7数据库举例及其对应的NGLD相关图 运动类别的区分度大小.例如，一个特征被所有的运 Fig.7 Dataset samples and their corresponding NGLD 动类所共享，那么这个特征的区分能力就是很低的： correlograms 相反，如果一个特征仅属于一个运动类别，那么它的 轨迹描述模型和兴趣点描述模型最大的问题在 区分度是最高的： 于它们记录的运动信息量较为稀疏，容易被实际视 Peng3]在2005年提出了一种较为复杂的特征 频中出现的噪声轨迹和噪声点干扰，导致识别率低， 选择框架，称为“最小冗余-最大相关性”(MRMR). 甚至完全失效.鉴于实际视频中运动背景和前景噪 它将所选择特征类和运动类间的互信息最大化，而 声干扰常常是不可避免的，剔除检测过程中得到的 将特征与特征间的相关性最小化.实验证明，该方法 冗余特征就变得尤为重要在这方面，较为常用的方 对分类问题里的特征选择是有效的， 法就是进行特征选择 3.2包装器法 3特征选择方法 包装器方法是利用机器学习方法实现的.大多 利用上述描述方法对视频中的运动信息进行特 数的情况该方法利用一定数量的测试样本得到区分 度较高的特征子集，但由于每个特征都会占用一个 征提取之后，所得到的底层描述特征中常常包含冗 测试回合，因此比较耗时.此外，实际视频中包含了 余和噪声成分，此时，特征选择和特征降维就显得尤 为关键.进行特征选择的主要目的是：1)避免特征冗 高度的类间相似和类内变化，所以普通的特征选择 方法的效率较低。 余导致的数据溢出：2)生成更加快速有效的运动表 LiuI3]提出了一种非常规的PageRank(PR)方 示模型：3)将特征数据所包含的内在结构信息尽量 法来选择高区分度的描述特征.该方法通过建立有 多地提取出来综上，特征选择的目的就是选择尽量 少的特征子群，达到尽量高的运动识别效率 向图来评估每个特征与其他特征的匹配度，将匹配 Cover29]和Jain[30]分别在1974年和2000年的 度最高的特征视为最具区分度的特征.图8是使用 PageRank方法得到的特征选择结果.特征选择结果 文献中证明，将相互独立的优质特征进行联合所得 表明，PR方法剔除了由于背景干扰和相机抖动得到 到的描述算子，相比较于单特征并不一定能产生更 好的识别效果.Guyon等[3]在2003年的文献中表 的大部分噪声点但是此方法不考虑动态背景，即默 明，相关性较高的特征之间往往会存在互补特性，去 认得到的特征都表示的是前景物体，因此不适用于 除冗余特征并不是简单地剔除相关性高的特征.由 多物体的运动特征分析.针对这一问题，Gilbert 此可见，高相关性特征选择和分析对实现合理高效 等[2]在2009年提出了另一种完全不同的思路，他 们注重对特定运动类别中出现的局部特征的记录和 的运动描述是非常重要的。 对视频中的人体运动识别问题来说，特征选择 统计，不涉及任何前景轮廓信息，因此更加适合于分 方法可以总结为两大类：滤纸法和包装器法滤纸法 析非时空尺度视频中获得的人体运动特征」 是一个预处理过程，通过计算特征的相关性和目标

为了更深层次地探索稀疏兴趣点所夹带的空间 运动信息，Ｓｕｎ 等［２８］ 于 ２０１２ 年提出将点与点之间 的距离信息（ＮＧＬＤ 相关图，如图 ７ 所示）与传统局 部特征的 Ｂａｇ⁃ｏｆ⁃Ｗｏｒｄｓ 模型［２４］ 相结合．在相同的数 据库上进行验证时，此方法取得了更加鲁棒的人体 运动识别效果． 图 ７ 数据库举例及其对应的 ＮＧＬＤ 相关图 Ｆｉｇ．７ Ｄａｔａｓｅｔ ｓａｍｐｌｅｓ ａｎｄ ｔｈｅｉｒ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ＮＧＬＤ ｃｏｒｒｅｌｏｇｒａｍｓ 轨迹描述模型和兴趣点描述模型最大的问题在 于它们记录的运动信息量较为稀疏，容易被实际视 频中出现的噪声轨迹和噪声点干扰，导致识别率低， 甚至完全失效．鉴于实际视频中运动背景和前景噪 声干扰常常是不可避免的，剔除检测过程中得到的 冗余特征就变得尤为重要．在这方面，较为常用的方 法就是进行特征选择． ３ 特征选择方法 利用上述描述方法对视频中的运动信息进行特 征提取之后，所得到的底层描述特征中常常包含冗 余和噪声成分，此时，特征选择和特征降维就显得尤 为关键．进行特征选择的主要目的是：１）避免特征冗 余导致的数据溢出；２）生成更加快速有效的运动表 示模型；３）将特征数据所包含的内在结构信息尽量 多地提取出来．综上，特征选择的目的就是选择尽量 少的特征子群，达到尽量高的运动识别效率． Ｃｏｖｅｒ ［２９］和 Ｊａｉｎ ［３０］分别在 １９７４ 年和 ２０００ 年的 文献中证明，将相互独立的优质特征进行联合所得 到的描述算子，相比较于单特征并不一定能产生更 好的识别效果．Ｇｕｙｏｎ 等［３１］ 在 ２００３ 年的文献中表 明，相关性较高的特征之间往往会存在互补特性，去 除冗余特征并不是简单地剔除相关性高的特征．由 此可见，高相关性特征选择和分析对实现合理高效 的运动描述是非常重要的． 对视频中的人体运动识别问题来说，特征选择 方法可以总结为两大类：滤纸法和包装器法．滤纸法 是一个预处理过程，通过计算特征的相关性和目标 运动的区分能力实现特征选择．而包装器方法则通 过评估所得到分类器的分类性能来进行特征选择． 两者主要的区别就在于包装器方法的实现借助于目 标分类器，而滤纸法则不需要．因此，相对于包装器 方法，滤纸法计算速度较快，选择效率较低． ３．１ 滤纸法 滤纸法的思路就是考虑每个独立的特征，对其 与目标运动类的相关度进行评估排名，选择前 ｋ 个 特征即可．其中比较经典的特征评估算法如 １９９２ 年 Ｋｉｒａ 和 Ｒｅｎｄｅｌｌ 提出的救援算法［３２］ ，该算法通过计 算不同特征对不同运动类别的线性从属值的大小进 行特征排序．Ｚａｆｆａｌｏｎ 和 Ｈｕｔｔｅｒ ［３３］ 于 ２００２ 年提出了 另外一种基于互信息量度的非线性从属关系计算方 法．其中互信息量度是指一个独立特征对一个特别 运动类别的区分度大小．例如，一个特征被所有的运 动类所共享，那么这个特征的区分能力就是很低的； 相反，如果一个特征仅属于一个运动类别，那么它的 区分度是最高的． Ｐｅｎｇ ［３４］在 ２００５ 年提出了一种较为复杂的特征 选择框架，称为“最小冗余－最大相关性” （ＭＲＭＲ）． 它将所选择特征类和运动类间的互信息最大化，而 将特征与特征间的相关性最小化．实验证明，该方法 对分类问题里的特征选择是有效的． ３．２ 包装器法 包装器方法是利用机器学习方法实现的．大多 数的情况该方法利用一定数量的测试样本得到区分 度较高的特征子集，但由于每个特征都会占用一个 测试回合，因此比较耗时．此外，实际视频中包含了 高度的类间相似和类内变化，所以普通的特征选择 方法的效率较低． Ｌｉｕ ［３５］提出了一种非常规的 ＰａｇｅＲａｎｋ（ ＰＲ） 方 法来选择高区分度的描述特征．该方法通过建立有 向图来评估每个特征与其他特征的匹配度，将匹配 度最高的特征视为最具区分度的特征．图 ８ 是使用 ＰａｇｅＲａｎｋ 方法得到的特征选择结果．特征选择结果 表明，ＰＲ 方法剔除了由于背景干扰和相机抖动得到 的大部分噪声点．但是此方法不考虑动态背景，即默 认得到的特征都表示的是前景物体，因此不适用于 多物 体 的 运 动 特 征 分 析． 针 对 这 一 问 题， Ｇｉｌｂｅｒｔ 等［２６］在 ２００９ 年提出了另一种完全不同的思路，他 们注重对特定运动类别中出现的局部特征的记录和 统计，不涉及任何前景轮廓信息，因此更加适合于分 析非时空尺度视频中获得的人体运动特征． ·１９４· 智 能 系 统 学 报 第 ８ 卷

第3期 孙倩茹，等：视频序列的人体运动描述方法综述 ·195· 合要求严格正确的归一化操作.如果特征之间存在 严重的维度差异，就必须调整特征空间的维度，否则 特征融合之后的性能反而会变得很差， 4.2决策层面的融合方法 决策层面的融合是指首先使用多种特征分别训 (a)特征选择结果1 练分类器，然后将得到的几个分类决策进行判决得 到最终的分类或者识别结果.显然，这种方法是以独 立特征的识别结果为前提的。 表1是典型人体运动特征建立、特征选择和特 征融合等方法在典型人体运动数据库[4,1]上的识别 率的比较。 表1典型的运动描述方法的识别率比较 (b)特征选择结果2 Table 1 Recognition rates of traditional action representa- 图8使用PageRank方法得到的特征选择结果 tion methods % Fig.8 Feature selection using PageRank 人体描 KTH WEIZMANN 上述2种特征选择方法利用了特征在分类时表 述方法 数据库 数据库 现的不同类间区分能力，其中滤纸法在不进行任何 Sun[2s] 100.00 训练的情况下，力求得到可以实现最优二分类的独 Sun(3s] 94.00 97.80 立特征也就是说，该方法在选择特征的时候不考虑 Lint36] 93.43 类间公共特征.与此不同的是包装器法利用同一特 Wang[) 92.51 100.00 征在不同运动类别上表现出来的特性，通过训练分 Liu(35) 92.30 一 类器根据类间独立特征和类间共享特征对运动分类 Ikizler[0] 94.00 90.50 100.00 的影响进行评估，进而评价特征的优劣，实现最终的 Fathito] Zhang(a) 91.33 92.89 特征选择 Klaser[22) 91.40 84.30 4特征融合方法 Niebles[27] 83.30 90.00 Liul4] 94.16 特征融合是指为了得到更好的运动表示模型和 Zhaol4] 91.17 89.92 更高的运动识别率，将来自不同获取渠道的特征进 Gilbert[45] Savaresel4 86.83 行合理的信息融合.一般来说，只有对具有互补作用 Nowozin【4J 84.72 的特征进行融合时才会提高运动识别率.另外，由于 Dollar[20) 81.17 85.20 不同特征在维度、尺度和可行性上都有区别，所以直 接融合反而会带来性能的降低.由此可见，合理有效 总结与展望 的融合算法是极为重要的现有的特征融合方法一 视频中的人体运动描述作为一个新的研究领 般可以划分为2种：特征层面的融合和决策层面的 域，在实际应用上存在着很多问题，在今后的若干年 融合 中仍会是一个研究热点如下几个方面已经成为未 4.1特征层面的融合方法 来的发展趋势。 所谓特征层面的融合，是指对不同特征的特征 1)从视频中获取足够显著的人体运动特征.基 空间进行合并，最终使用一个融合之后的特征对运 于视频的人体运动特征提取是人体运动识别领域的 动进行表示.这是最常见的一种融合思路.Lin等[36 重要研究内容.由于人体是非刚性结构，且运动过程 指出可以将运动特征和形状特征进行加权融合，其 中存在遮挡等问题，使得基于视频的人体运动捕获 中各项的最优权值利用部分训练样本的交叉验证计 非常困难：然而目前国内外的研究成果对诸多问题 算得到.Schindler等[3]将3类局部特征（时空梯度、 进行简化，且大多只能对标准数据库中的运动进行 光流、ST)进行了融合，在统一框架的实验中提升 有效的捕获.从实际场景的运动视频中捕获、提取出 了4.5%的人体运动识别率. 显著的人体运动信息始终是推动整个运动识别领域 这类方法比较直观简单，但是特征直方图的融 发展的重要研究方向

图 ８ 使用 ＰａｇｅＲａｎｋ 方法得到的特征选择结果 Ｆｉｇ．８ Ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ ｕｓｉｎｇ ＰａｇｅＲａｎｋ 上述 ２ 种特征选择方法利用了特征在分类时表 现的不同类间区分能力，其中滤纸法在不进行任何 训练的情况下，力求得到可以实现最优二分类的独 立特征．也就是说，该方法在选择特征的时候不考虑 类间公共特征．与此不同的是包装器法利用同一特 征在不同运动类别上表现出来的特性，通过训练分 类器根据类间独立特征和类间共享特征对运动分类 的影响进行评估，进而评价特征的优劣，实现最终的 特征选择． ４ 特征融合方法 特征融合是指为了得到更好的运动表示模型和 更高的运动识别率，将来自不同获取渠道的特征进 行合理的信息融合．一般来说，只有对具有互补作用 的特征进行融合时才会提高运动识别率．另外，由于 不同特征在维度、尺度和可行性上都有区别，所以直 接融合反而会带来性能的降低．由此可见，合理有效 的融合算法是极为重要的．现有的特征融合方法一 般可以划分为 ２ 种：特征层面的融合和决策层面的 融合． ４．１ 特征层面的融合方法 所谓特征层面的融合，是指对不同特征的特征 空间进行合并，最终使用一个融合之后的特征对运 动进行表示．这是最常见的一种融合思路．Ｌｉｎ 等［３６］ 指出可以将运动特征和形状特征进行加权融合，其 中各项的最优权值利用部分训练样本的交叉验证计 算得到．Ｓｃｈｉｎｄｌｅｒ 等［３７］将 ３ 类局部特征（时空梯度、 光流、ＳＩＦＴ）进行了融合，在统一框架的实验中提升 了 ４．５％的人体运动识别率． 这类方法比较直观简单，但是特征直方图的融 合要求严格正确的归一化操作．如果特征之间存在 严重的维度差异，就必须调整特征空间的维度，否则 特征融合之后的性能反而会变得很差． ４．２ 决策层面的融合方法 决策层面的融合是指首先使用多种特征分别训 练分类器，然后将得到的几个分类决策进行判决得 到最终的分类或者识别结果．显然，这种方法是以独 立特征的识别结果为前提的． 表 １ 是典型人体运动特征建立、特征选择和特 征融合等方法在典型人体运动数据库［４，１９］上的识别 率的比较． 表 １ 典型的运动描述方法的识别率比较 Ｔａｂｌｅ １ Ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅｓ ｏｆ ｔｒａｄｉｔｉｏｎａｌ ａｃｔｉｏｎ ｒｅｐｒｅｓｅｎｔａ⁃ ｔｉｏｎ ｍｅｔｈｏｄｓ ％ 人体描 述方法 ＫＴＨ 数据库［１９］ ＷＥＩＺＭＡＮＮ 数据库［４］ Ｓｕｎ ［２８］ — １００．００ Ｓｕｎ ［３８］ ９４．００ ９７．８０ Ｌｉｎ ［３６］ ９３．４３ — Ｗａｎｇ ［３９］ ９２．５１ １００．００ Ｌｉｕ ［３５］ ９２．３０ — Ｉｋｉｚｌｅｒ ［４０］ ９４．００ — Ｆａｔｈｉ ［１０］ ９０．５０ １００．００ Ｚｈａｎｇ ［４１］ ９１．３３ ９２．８９ Ｋｌäｓｅｒ ［４２］ ９１．４０ ８４．３０ Ｎｉｅｂｌｅｓ ［２７］ ８３．３０ ９０．００ Ｌｉｕ ［４３］ ９４．１６ — Ｚｈａｏ ［４４］ ９１．１７ — Ｇｉｌｂｅｒｔ ［４５］ ８９．９２ — Ｓａｖａｒｅｓｅ ［４６］ ８６．８３ — Ｎｏｗｏｚｉｎ ［４７］ ８４．７２ — Ｄｏｌｌａｒ ［２０］ ８１．１７ ８５．２０ ５ 总结与展望 视频中的人体运动描述作为一个新的研究领 域，在实际应用上存在着很多问题，在今后的若干年 中仍会是一个研究热点．如下几个方面已经成为未 来的发展趋势． １）从视频中获取足够显著的人体运动特征．基 于视频的人体运动特征提取是人体运动识别领域的 重要研究内容．由于人体是非刚性结构，且运动过程 中存在遮挡等问题，使得基于视频的人体运动捕获 非常困难；然而目前国内外的研究成果对诸多问题 进行简化，且大多只能对标准数据库中的运动进行 有效的捕获．从实际场景的运动视频中捕获、提取出 显著的人体运动信息始终是推动整个运动识别领域 发展的重要研究方向． 第 ３ 期 孙倩茹，等：视频序列的人体运动描述方法综述 ·１９５·

·196· 智能系统学报 第8卷 2)定义和提取运动序列中的最小运动基元.动 [2]BOBICK A F,DAVIS J W.The recognition of human move- 作识别中没有明确定义的基元，即基本动作单元.大 ment using temporal templates [J].IEEE Transactions on 多数的运动描述中并没有涉及识别前的动作分割， Pattern Analysis and Machine Intelligence,2001,23(3): 然而运动的划分是很多实际视频处理过程中必须考 257-267. [3]傅晓英.基于半连接HMM模型的人体行为识别研究与 虑的重要问题.反过来讲，运动序列是由一系列特征 实现[D].北京：北京交通大学，2009：19. 的阶段构成的，如果能够将其与人体运动特点相结 FU Xiaoying.Study and implementation of human action 合对其合理地细化，用最小基元作为识别单位，对提 recognition based on semi-connected HMM[D].Beijing: 高鲁棒性有很大帮助.这里需要研究的课题是：如何 Beijing Jiaotong University,2009:19. 定义最小基元以及如何有效地提取最小基元的表示 [4]BLANK M,GORELICK L,SHECHTMAN E,et al.Actions 形式 as space-time shapes [C]//International Conference on 3)对现有的运动描述模型进行深层次改进.主 Computer Vision.Beijing,China,2005:1395-1402. 要考虑运动描述方法在视频处理过程中对大信息量 [5]YILMAZ A,SHAH M.Actions sketch:a novel action rep- 的承载，这就导致对特征降维方法的迫切需求.另外 resentation[C//IEEE Conference on Computer Vision and 就是利用不同特征间存在的互补性质探求合理的特 Pattern Recognition.San Diego,USA,2005:984-989. [6]WANG L.SUTER D.Learning and matching of dynamic 征选择和特征融合机制，例如，局部兴趣点和运动轨 shape manifolds for human action recognition J].IEEE 迹的融合特征、光流算子和场景模型描述子的结合. Transactions on Image Processing,2007,16(6):1646- 更深层次的研究，可以就已有的特征描述算法提出 1661. 合理的高层次特征建立框架8)，或寻求更高区分 [7]HE Xiaofei,NIYOGI P.Locality preserving projections 度的特征实现更加高效的动作描述 [M]//THRUN S,SAUL L K,SCHOLKOPF B.Advances 4)将已有算法与实际应用平台相结合.人体运 in Neural Information Processing Systems.Cambridge, 动分析的主要应用场景有家庭环境、公共场所、危险 USA:The MIT Press,2003. 环境和其他一些特定场景[).当具体的算法应用到 [8]冯波.基于光流计算的典型行为识别算法研究[D].西 这些实际场景中时，运动描述与运动识别方法在系 安：西北工业大学.2006：25-26. 统上的实际效果就成为主要的测评标准.当前人机 [9]EFROS AA,BERG A C,BERG E C,et al.Recognizing 之间的通信仅局限于几个特定的姿势，这个局限是 action at a distance[C//International Conference on Com- puter Vision.Nice,France,2003:726-733. 人的姿势结构不易理解造成的，而且跟踪多人的系 [10]FATHI A,MORI G.Action recognition by learing mid- 统由于摄像机的分辨率、计算机处理能力和视角的 level motion features[C]//IEEE Conference on Computer 影响而不能准确地估计身体姿势.为了完成优化尺 Vision and Pattern Recognition.Anchorage,USA,2008: 度和广域的分析，可以寻求准确实时的多摄像机的 1-8. 信息融合方法，以便机器更好地理解人的肢体运动 [11]DANAFAR S.GHEISSARI N.Action recognition for sur- 或者行为[s2] veillance applications using optic flow and SVM[C]//Asi- 本文主要对运动识别方法中的特征描述模型进 an Conference on Computer Vision.Tokyo,Japan,2007: 行了研究归纳起来，利用视频信息进行运动描述的 457-466. 发展趋势主要是：从2D图像（空间）信息向3D视频 [12]RAO C,SHAH M.View-invariance in action recognition (时空)信息转化：从单一特征表述到多特征融合的 [C]//IEEE Conference on Computer Vision and Pattern Recognition.Kauai,USA,2001:316-322. 方法转化；从整体特征向局部子特征的方向转化：从 [13]SHEIKH Y,SHEIKH M,SHAH M.Exploring the space of 处理简单运动视频向高复杂度视频的方向转化：从 a human action[C]//International Conference on Comput- 受限制的实验环境到实际应用场景中的转化， er Vision.Beijing,China,2005:144-149. 参考文献： [14]JOHN V,TRUCCO E,MCKENNA J.Markerless human motion capture using charting and manifold constrained [1]王亮，胡卫明，谭铁牛.人运动的视觉分析综述[]计算 particle swarm optimisation[C]//British Machine Vision 机学报，2002,25(3)：225-237 Conference (Workshops).Aberystwyth,UK,2010:1-11. WANG Liang,HU Weiming,TAN Tieniu.A survey of visu- [15]ALI S,BASHARAT A,SHAH M.Chaotic invariants for al analysis of human motion[J.Chinese Journal of Comput- human action recognition[C]//International Conference on es,2002,25(3):225-237. Computer Vision.Rio de Janeiro,Brazil,2007:1-8

２）定义和提取运动序列中的最小运动基元．动 作识别中没有明确定义的基元，即基本动作单元．大 多数的运动描述中并没有涉及识别前的动作分割， 然而运动的划分是很多实际视频处理过程中必须考 虑的重要问题．反过来讲，运动序列是由一系列特征 的阶段构成的，如果能够将其与人体运动特点相结 合对其合理地细化，用最小基元作为识别单位，对提 高鲁棒性有很大帮助．这里需要研究的课题是：如何 定义最小基元以及如何有效地提取最小基元的表示 形式． ３）对现有的运动描述模型进行深层次改进．主 要考虑运动描述方法在视频处理过程中对大信息量 的承载，这就导致对特征降维方法的迫切需求．另外 就是利用不同特征间存在的互补性质探求合理的特 征选择和特征融合机制，例如，局部兴趣点和运动轨 迹的融合特征、光流算子和场景模型描述子的结合． 更深层次的研究，可以就已有的特征描述算法提出 合理的高层次特征建立框架［４８⁃５０］ ，或寻求更高区分 度的特征实现更加高效的动作描述． ４）将已有算法与实际应用平台相结合．人体运 动分析的主要应用场景有家庭环境、公共场所、危险 环境和其他一些特定场景［５１］ ．当具体的算法应用到 这些实际场景中时，运动描述与运动识别方法在系 统上的实际效果就成为主要的测评标准．当前人机 之间的通信仅局限于几个特定的姿势，这个局限是 人的姿势结构不易理解造成的，而且跟踪多人的系 统由于摄像机的分辨率、计算机处理能力和视角的 影响而不能准确地估计身体姿势．为了完成优化尺 度和广域的分析，可以寻求准确实时的多摄像机的 信息融合方法，以便机器更好地理解人的肢体运动 或者行为［５２］ ． 本文主要对运动识别方法中的特征描述模型进 行了研究．归纳起来，利用视频信息进行运动描述的 发展趋势主要是：从 ２Ｄ 图像（空间）信息向 ３Ｄ 视频 （时空）信息转化；从单一特征表述到多特征融合的 方法转化；从整体特征向局部子特征的方向转化；从 处理简单运动视频向高复杂度视频的方向转化；从 受限制的实验环境到实际应用场景中的转化． 参考文献： ［１］王亮，胡卫明，谭铁牛．人运动的视觉分析综述［ Ｊ］．计算 机学报， ２００２， ２５（３）： ２２５⁃２３７． ＷＡＮＧ Ｌｉａｎｇ， ＨＵ Ｗｅｉｍｉｎｇ， ＴＡＮ Ｔｉｅｎｉｕ． Ａ ｓｕｒｖｅｙ ｏｆ ｖｉｓｕ⁃ ａｌ ａｎａｌｙｓｉｓ ｏｆ ｈｕｍａｎ ｍｏｔｉｏｎ［Ｊ］． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔ⁃ ｅｒｓ， ２００２， ２５（３）： ２２５⁃２３７． ［２］ＢＯＢＩＣＫ Ａ Ｆ， ＤＡＶＩＳ Ｊ Ｗ． Ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｈｕｍａｎ ｍｏｖｅ⁃ ｍｅｎｔ ｕｓｉｎｇ ｔｅｍｐｏｒａｌ ｔｅｍｐｌａｔｅｓ ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２００１， ２３（ ３）： ２５７⁃２６７． ［３］傅晓英．基于半连接 ＨＭＭ 模型的人体行为识别研究与 实现［Ｄ］．北京：北京交通大学， ２００９： １９． ＦＵ Ｘｉａｏｙｉｎｇ． Ｓｔｕｄｙ ａｎｄ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ ｈｕｍａｎ ａｃｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｓｅｍｉ⁃ｃｏｎｎｅｃｔｅｄ ＨＭＭ ［ Ｄ］． Ｂｅｉｊｉｎｇ： Ｂｅｉｊｉｎｇ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ， ２００９： １９． ［４］ＢＬＡＮＫ Ｍ， ＧＯＲＥＬＩＣＫ Ｌ， ＳＨＥＣＨＴＭＡＮ Ｅ， ｅｔ ａｌ． Ａｃｔｉｏｎｓ ａｓ ｓｐａｃｅ⁃ｔｉｍｅ ｓｈａｐｅｓ ［ Ｃ ］ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｂｅｉｊｉｎｇ， Ｃｈｉｎａ， ２００５： １３９５⁃１４０２． ［５］ＹＩＬＭＡＺ Ａ， ＳＨＡＨ Ｍ． Ａｃｔｉｏｎｓ ｓｋｅｔｃｈ： ａ ｎｏｖｅｌ ａｃｔｉｏｎ ｒｅｐ⁃ ｒｅｓｅｎｔａｔｉｏｎ［Ｃ］ ／ ／ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｓａｎ Ｄｉｅｇｏ， ＵＳＡ， ２００５： ９８４⁃９８９． ［６］ ＷＡＮＧ Ｌ， ＳＵＴＥＲ Ｄ． Ｌｅａｒｎｉｎｇ ａｎｄ ｍａｔｃｈｉｎｇ ｏｆ ｄｙｎａｍｉｃ ｓｈａｐｅ ｍａｎｉｆｏｌｄｓ ｆｏｒ ｈｕｍａｎ ａｃｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ， ２００７， １６ （ ６）： １６４６⁃ １６６１． ［ ７ ］ ＨＥ Ｘｉａｏｆｅｉ， ＮＩＹＯＧＩ Ｐ． Ｌｏｃａｌｉｔｙ ｐｒｅｓｅｒｖｉｎｇ ｐｒｏｊｅｃｔｉｏｎｓ ［Ｍ］ ／ ／ ＴＨＲＵＮ Ｓ， ＳＡＵＬ Ｌ Ｋ， ＳＣＨＯＬＫＯＰＦ Ｂ． Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ． Ｃａｍｂｒｉｄｇｅ， ＵＳＡ： Ｔｈｅ ＭＩＴ Ｐｒｅｓｓ， ２００３． ［８］冯波．基于光流计算的典型行为识别算法研究［Ｄ］．西 安：西北工业大学， ２００６： ２５⁃２６． ［９］ＥＦＲＯＳ Ａ Ａ， ＢＥＲＧ Ａ Ｃ， ＢＥＲＧ Ｅ Ｃ， ｅｔ ａｌ． Ｒｅｃｏｇｎｉｚｉｎｇ ａｃｔｉｏｎ ａｔ ａ ｄｉｓｔａｎｃｅ［Ｃ］ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍ⁃ ｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｎｉｃｅ， Ｆｒａｎｃｅ， ２００３： ７２６⁃７３３． ［１０］ ＦＡＴＨＩ Ａ， ＭＯＲＩ Ｇ． Ａｃｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ｂｙ ｌｅａｒｎｉｎｇ ｍｉｄ⁃ ｌｅｖｅｌ ｍｏｔｉｏｎ ｆｅａｔｕｒｅｓ［Ｃ］ ／ ／ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ａｎｃｈｏｒａｇｅ， ＵＳＡ， ２００８： １⁃８． ［１１］ＤＡＮＡＦＡＲ Ｓ， ＧＨＥＩＳＳＡＲＩ Ｎ． Ａｃｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ｆｏｒ ｓｕｒ⁃ ｖｅｉｌｌａｎｃｅ ａｐｐｌｉｃａｔｉｏｎｓ ｕｓｉｎｇ ｏｐｔｉｃ ｆｌｏｗ ａｎｄ ＳＶＭ［Ｃ］ ／ ／ Ａｓｉ⁃ ａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｔｏｋｙｏ， Ｊａｐａｎ， ２００７： ４５７⁃４６６． ［１２］ＲＡＯ Ｃ， ＳＨＡＨ Ｍ． Ｖｉｅｗ⁃ｉｎｖａｒｉａｎｃｅ ｉｎ ａｃｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ［Ｃ］ ／ ／ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｋａｕａｉ， ＵＳＡ， ２００１： ３１６⁃３２２． ［ １３］ＳＨＥＩＫＨ Ｙ， ＳＨＥＩＫＨ Ｍ， ＳＨＡＨ Ｍ． Ｅｘｐｌｏｒｉｎｇ ｔｈｅ ｓｐａｃｅ ｏｆ ａ ｈｕｍａｎ ａｃｔｉｏｎ［Ｃ］ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔ⁃ ｅｒ Ｖｉｓｉｏｎ． Ｂｅｉｊｉｎｇ， Ｃｈｉｎａ， ２００５： １４４⁃１４９． ［１４］ ＪＯＨＮ Ｖ， ＴＲＵＣＣＯ Ｅ， ＭＣＫＥＮＮＡ Ｊ． Ｍａｒｋｅｒｌｅｓｓ ｈｕｍａｎ ｍｏｔｉｏｎ ｃａｐｔｕｒｅ ｕｓｉｎｇ ｃｈａｒｔｉｎｇ ａｎｄ ｍａｎｉｆｏｌｄ ｃｏｎｓｔｒａｉｎｅｄ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｓａｔｉｏｎ ［ Ｃ］ ／ ／ Ｂｒｉｔｉｓｈ Ｍａｃｈｉｎｅ Ｖｉｓｉｏｎ Ｃｏｎｆｅｒｅｎｃｅ （Ｗｏｒｋｓｈｏｐｓ）． Ａｂｅｒｙｓｔｗｙｔｈ， ＵＫ， ２０１０： １⁃１１． ［１５］ ＡＬＩ Ｓ， ＢＡＳＨＡＲＡＴ Ａ， ＳＨＡＨ Ｍ． Ｃｈａｏｔｉｃ ｉｎｖａｒｉａｎｔｓ ｆｏｒ ｈｕｍａｎ ａｃｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｒｉｏ ｄｅ Ｊａｎｅｉｒｏ， Ｂｒａｚｉｌ， ２００７： １⁃８． ·１９６· 智 能 系 统 学 报 第 ８ 卷

第3期 孙倩茹，等：视频序列的人体运动描述方法综述 ·197. [16]WANG H,KLASER A,SCHMID C,et al.Action recogni- rea.2012:425-437. tion by dense trajectories[C]//IEEE Conference on Com- [29]COVER T M.The best two independent measurements are puter Vision and Pattern Recognition.Colorado Springs, not the two best[.IEEE Transactions on Systems,Man, USA,2011:3169-3176. and Cybernetics,1974,4(1):116-117 [17]RAPTIS M,KOKKINOS I,SOATTO S.Discovering dis- [30]JAIN A K.DUIN R P W,MAO J.Statistical pattern rec- criminative action parts from mid-level video representa- ognition:a review[J].IEEE Transactions on Pattern Anal- tions[C]//IEEE Conference on Computer Vision and Pat- ysis and Machine Intelligence,2000,22(1):4-37. tern Recognition.Providence,USA,2012:1242-1249. [31]GUYON I,ELISSEEF F.An introduction to variable and [18]HARRIS C,STEPHENS M.A combined comer and edge feature selection [J].Journal of Machine Learning Re- detector[C//Proceedings of the Fourth Alvey Vision Con- search,2003,3:1157-1182. ference.Manchester,UK,1988:147-151. [32]KIRA K,RENDELL L A.The feature selection problem: [19]LAPTEV I,LINDEBERG T.Space-time interest points traditional methods and a new algorithm[C]//Proceedings [C]//International Conference on Computer Vision. of the Tenth National Conference on Artificial Intelligence Nice,France,2003:432-439. San Jose,USA,1992:129-134. 20]DOLLAR P,RABAUD V,COTTRELL G,et al.Behavior [33]ZAFFALON M,HUTTER M.Robust feature selection by recognition via sparse spatiotemporal features[C]//IEEE mutual information distributions[C]//International Confer- International Workshop on Visual Surveillance and Per- ence on Uncertainty in Artificial Intelligence.Edmonton, formance Evaluation of Tracking and Surveillance.Beijing, Canada.2002:577-584. China,2005:65-72. [34]PENG H,LONG F,DING C.Feature selection based on [21]0IKONOMOPOULOS A,PATRAS I,PANTIC M.Spatio- mutual information:criteria of maxdependency,max-rele- temporal salient points for visual recognition of human ac- vance,and min-redundancy [J].IEEE Transactions on tions[J].IEEE Transactions on Systems,Man,and Cy- Pattern Analysis and Machine Intelligence,2005,27(8): bernetics,Part B:Cybernetics,2006,36(3):710-719. 1226-1238. [22]WONG S,CIPOLLA R.Extracting spatiotemporal interest [35]LIU J,LUO J,SHAH M.Recognizing realistic actions points using global information[C]//International Confer- from videos "in the wild"[C]//IEEE Conference on ence on Computer Vision.Rio de Janeiro,Brazil,2007:1- Computer Vision and Pattern Recognition.Miami,USA, 8. 2009:1996-2003. [23]SCHULDT C,LAPTEV I,CAPUTO B.Recognizing hu- [36]LIN Z,JIANG Z,DAVID L S.Recognizing actions by man actions:a local SVM approach [C]//International shape-motion prototype trees[C]//International Confer- Conference on Pattern Recognition.Cambridge,UK, ence on Computer Vision.Kyoto,Japan,2009:444-451. 2004:32-36. [37]SCHINDLER G,ZITNICK L,BROWN M.Internet video [24]SCOVANNER P,ALI S,SHAH M.A 3-dimensional SIFT category recognition[C]//IEEE Computer Society Confer- descriptor and its application to action recognition [C]// ence on Computer Vision and Pattern Recognition Work- Proceedings of the 15th International Conference on Multi- shops.Anchorage.USA,2008:1-7. media.Augsburg,Germany,2007:357-360. [38 ]SUN X,CHEN M,HAUPTMANN A.Action recognition [25]LOWE D G.Distinctive image features from scale-invariant via local descriptors and holistic features[C]//IEEE Con- keypoints[J].International Journal of Computer Vision, ference on Computer Vision and Pattern Recognition.Kyo- 2004,60(2):91-110. to,Japan,2009:58-65. [26]GILBERT A,ILLINGWORTH J,BOWDEN R.Fast real- [39]WANG H,ULLAH MM,KLASER A,et al.Evaluation of istic multi-action recognition using mined dense spatio-tem- local spatiotemporal features for action recognition[C// poral features[C]//International Conference on Computer British Machine Vision Conference.London,UK,2009: Vision.Kyoto,Japan,2009:925-931. 124.1-124.11. [27]NIEBLES J,WANG H,FEI-FEI L.Unsupervised learning [40]IKIZLER N,CINBIS R G,DUYGULU P.Human action of human action categories using spatial-temporal words recognition with line and flow histograms[C//Internation- [J].International Journal of Computer Vision,2008,79 al Conference on Pattern Recognition.Tampa,USA, (3)：299-318. 2008:1-4 [28]SUN Qianru,LIU Hong.Action disambiguation analysis u- [41]ZHANG Z,HU Y,CHAN S,et al.Motion context:a new sing nommalized Google-like distance correlogram C]// representation for human action recognition[C]//European 11th Asian Conference on Computer Vision.Daejeon,Ko- Conference on Computer Vision.Marseille,France,2008:

［１６］ＷＡＮＧ Ｈ， ＫＬＡＳＥＲ Ａ， ＳＣＨＭＩＤ Ｃ， ｅｔ ａｌ． Ａｃｔｉｏｎ ｒｅｃｏｇｎｉ⁃ ｔｉｏｎ ｂｙ ｄｅｎｓｅ ｔｒａｊｅｃｔｏｒｉｅｓ［Ｃ］ ／ ／ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍ⁃ ｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｃｏｌｏｒａｄｏ Ｓｐｒｉｎｇｓ， ＵＳＡ， ２０１１： ３１６９⁃３１７６． ［１７］ＲＡＰＴＩＳ Ｍ， ＫＯＫＫＩＮＯＳ Ｉ， ＳＯＡＴＴＯ Ｓ． Ｄｉｓｃｏｖｅｒｉｎｇ ｄｉｓ⁃ ｃｒｉｍｉｎａｔｉｖｅ ａｃｔｉｏｎ ｐａｒｔｓ ｆｒｏｍ ｍｉｄ⁃ｌｅｖｅｌ ｖｉｄｅｏ ｒｅｐｒｅｓｅｎｔａ⁃ ｔｉｏｎｓ［Ｃ］ ／ ／ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔ⁃ ｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｐｒｏｖｉｄｅｎｃｅ， ＵＳＡ， ２０１２： １２４２⁃１２４９． ［１８］ＨＡＲＲＩＳ Ｃ， ＳＴＥＰＨＥＮＳ Ｍ． Ａ ｃｏｍｂｉｎｅｄ ｃｏｒｎｅｒ ａｎｄ ｅｄｇｅ ｄｅｔｅｃｔｏｒ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｆｏｕｒｔｈ Ａｌｖｅｙ Ｖｉｓｉｏｎ Ｃｏｎ⁃ ｆｅｒｅｎｃｅ． Ｍａｎｃｈｅｓｔｅｒ， ＵＫ， １９８８： １４７⁃１５１． ［１９］ ＬＡＰＴＥＶ Ｉ， ＬＩＮＤＥＢＥＲＧ Ｔ． Ｓｐａｃｅ⁃ｔｉｍｅ ｉｎｔｅｒｅｓｔ ｐｏｉｎｔｓ ［ Ｃ ］ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｎｉｃｅ， Ｆｒａｎｃｅ， ２００３： ４３２⁃４３９． ［２０］ＤＯＬＬＡＲ Ｐ， ＲＡＢＡＵＤ Ｖ， ＣＯＴＴＲＥＬＬ Ｇ， ｅｔ ａｌ． Ｂｅｈａｖｉｏｒ ｒｅｃｏｇｎｉｔｉｏｎ ｖｉａ ｓｐａｒｓｅ ｓｐａｔｉｏｔｅｍｐｏｒａｌ ｆｅａｔｕｒｅｓ ［ Ｃ］ ／ ／ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｖｉｓｕａｌ Ｓｕｒｖｅｉｌｌａｎｃｅ ａｎｄ Ｐｅｒ⁃ ｆｏｒｍａｎｃｅ Ｅｖａｌｕａｔｉｏｎ ｏｆ Ｔｒａｃｋｉｎｇ ａｎｄ Ｓｕｒｖｅｉｌｌａｎｃｅ． Ｂｅｉｊｉｎｇ， Ｃｈｉｎａ， ２００５： ６５⁃７２． ［２１］ＯＩＫＯＮＯＭＯＰＯＵＬＯＳ Ａ， ＰＡＴＲＡＳ Ｉ， ＰＡＮＴＩＣ Ｍ． Ｓｐａｔｉｏ⁃ ｔｅｍｐｏｒａｌ ｓａｌｉｅｎｔ ｐｏｉｎｔｓ ｆｏｒ ｖｉｓｕａｌ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｈｕｍａｎ ａｃ⁃ ｔｉｏｎｓ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｙｓｔｅｍｓ， Ｍａｎ， ａｎｄ Ｃｙ⁃ ｂｅｒｎｅｔｉｃｓ， Ｐａｒｔ Ｂ： Ｃｙｂｅｒｎｅｔｉｃｓ， ２００６， ３６（３）： ７１０⁃７１９． ［２２］ＷＯＮＧ Ｓ， ＣＩＰＯＬＬＡ Ｒ． Ｅｘｔｒａｃｔｉｎｇ ｓｐａｔｉｏｔｅｍｐｏｒａｌ ｉｎｔｅｒｅｓｔ ｐｏｉｎｔｓ ｕｓｉｎｇ ｇｌｏｂａｌ ｉｎｆｏｒｍａｔｉｏｎ［Ｃ］ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒ⁃ ｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｒｉｏ ｄｅ Ｊａｎｅｉｒｏ， Ｂｒａｚｉｌ， ２００７： １⁃ ８． ［２３］ ＳＣＨＵＬＤＴ Ｃ， ＬＡＰＴＥＶ Ｉ， ＣＡＰＵＴＯ Ｂ． Ｒｅｃｏｇｎｉｚｉｎｇ ｈｕ⁃ ｍａｎ ａｃｔｉｏｎｓ： ａ ｌｏｃａｌ ＳＶＭ ａｐｐｒｏａｃｈ ［ Ｃ］ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｃａｍｂｒｉｄｇｅ， ＵＫ， ２００４： ３２⁃３６． ［２４］ＳＣＯＶＡＮＮＥＲ Ｐ， ＡＬＩ Ｓ， ＳＨＡＨ Ｍ． Ａ ３⁃ｄｉｍｅｎｓｉｏｎａｌ ＳＩＦＴ ｄｅｓｃｒｉｐｔｏｒ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ａｃｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １５ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｕｌｔｉ⁃ ｍｅｄｉａ． Ａｕｇｓｂｕｒｇ， Ｇｅｒｍａｎｙ， ２００７： ３５７⁃３６０． ［２５］ＬＯＷＥ Ｄ Ｇ． Ｄｉｓｔｉｎｃｔｉｖｅ ｉｍａｇｅ ｆｅａｔｕｒｅｓ ｆｒｏｍ ｓｃａｌｅ⁃ｉｎｖａｒｉａｎｔ ｋｅｙｐｏｉｎｔｓ［ Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ， ２００４， ６０（２）： ９１⁃１１０． ［２６］ＧＩＬＢＥＲＴ Ａ， ＩＬＬＩＮＧＷＯＲＴＨ Ｊ， ＢＯＷＤＥＮ Ｒ． Ｆａｓｔ ｒｅａｌ⁃ ｉｓｔｉｃ ｍｕｌｔｉ⁃ａｃｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ｕｓｉｎｇ ｍｉｎｅｄ ｄｅｎｓｅ ｓｐａｔｉｏ⁃ｔｅｍ⁃ ｐｏｒａｌ ｆｅａｔｕｒｅｓ［Ｃ］ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｋｙｏｔｏ， Ｊａｐａｎ， ２００９： ９２５⁃９３１． ［２７］ＮＩＥＢＬＥＳ Ｊ， ＷＡＮＧ Ｈ， ＦＥＩ⁃ＦＥＩ Ｌ． Ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ ｏｆ ｈｕｍａｎ ａｃｔｉｏｎ ｃａｔｅｇｏｒｉｅｓ ｕｓｉｎｇ ｓｐａｔｉａｌ⁃ｔｅｍｐｏｒａｌ ｗｏｒｄｓ ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ， ２００８， ７９ （３）： ２９９⁃３１８． ［２８］ＳＵＮ Ｑｉａｎｒｕ， ＬＩＵ Ｈｏｎｇ． Ａｃｔｉｏｎ ｄｉｓａｍｂｉｇｕａｔｉｏｎ ａｎａｌｙｓｉｓ ｕ⁃ ｓｉｎｇ ｎｏｒｍａｌｉｚｅｄ Ｇｏｏｇｌｅ⁃ｌｉｋｅ ｄｉｓｔａｎｃｅ ｃｏｒｒｅｌｏｇｒａｍ ［ Ｃ］ ／ ／ １１ｔｈ Ａｓｉａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｄａｅｊｅｏｎ， Ｋｏ⁃ ｒｅａ， ２０１２： ４２５⁃４３７． ［２９］ＣＯＶＥＲ Ｔ Ｍ． Ｔｈｅ ｂｅｓｔ ｔｗｏ ｉｎｄｅｐｅｎｄｅｎｔ ｍｅａｓｕｒｅｍｅｎｔｓ ａｒｅ ｎｏｔ ｔｈｅ ｔｗｏ ｂｅｓｔ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｙｓｔｅｍｓ， Ｍａｎ， ａｎｄ Ｃｙｂｅｒｎｅｔｉｃｓ， １９７４， ４（１）： １１６⁃１１７． ［３０］ＪＡＩＮ Ａ Ｋ， ＤＵＩＮ Ｒ Ｐ Ｗ， ＭＡＯ Ｊ． Ｓｔａｔｉｓｔｉｃａｌ ｐａｔｔｅｒｎ ｒｅｃ⁃ ｏｇｎｉｔｉｏｎ： ａ ｒｅｖｉｅｗ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌ⁃ ｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２０００， ２２（１）： ４⁃３７． ［３１］ ＧＵＹＯＮ Ｉ， ＥＬＩＳＳＥＥＦ Ｆ． Ａｎ ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ ｖａｒｉａｂｌｅ ａｎｄ ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｒｅ⁃ ｓｅａｒｃｈ， ２００３， ３： １１５７⁃１１８２． ［３２］ＫＩＲＡ Ｋ， ＲＥＮＤＥＬＬ Ｌ Ａ． Ｔｈｅ ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ ｐｒｏｂｌｅｍ： ｔｒａｄｉｔｉｏｎａｌ ｍｅｔｈｏｄｓ ａｎｄ ａ ｎｅｗ ａｌｇｏｒｉｔｈｍ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｔｅｎｔｈ Ｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ． Ｓａｎ Ｊｏｓｅ， ＵＳＡ， １９９２： １２９⁃１３４． ［３３］ ＺＡＦＦＡＬＯＮ Ｍ， ＨＵＴＴＥＲ Ｍ． Ｒｏｂｕｓｔ ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ ｂｙ ｍｕｔｕａｌ ｉｎｆｏｒｍａｔｉｏｎ ｄｉｓｔｒｉｂｕｔｉｏｎｓ［Ｃ］ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒ⁃ ｅｎｃｅ ｏｎ Ｕｎｃｅｒｔａｉｎｔｙ ｉｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ． Ｅｄｍｏｎｔｏｎ， Ｃａｎａｄａ， ２００２： ５７７⁃５８４． ［３４］ＰＥＮＧ Ｈ， ＬＯＮＧ Ｆ， ＤＩＮＧ Ｃ． Ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｍｕｔｕａｌ ｉｎｆｏｒｍａｔｉｏｎ： ｃｒｉｔｅｒｉａ ｏｆ ｍａｘｄｅｐｅｎｄｅｎｃｙ， ｍａｘ⁃ｒｅｌｅ⁃ ｖａｎｃｅ， ａｎｄ ｍｉｎ⁃ｒｅｄｕｎｄａｎｃｙ ［ Ｊ ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２００５， ２７（８）： １２２６⁃１２３８． ［３５］ ＬＩＵ Ｊ， ＬＵＯ Ｊ， ＳＨＡＨ Ｍ． Ｒｅｃｏｇｎｉｚｉｎｇ ｒｅａｌｉｓｔｉｃ ａｃｔｉｏｎｓ ｆｒｏｍ ｖｉｄｅｏｓ “ ｉｎ ｔｈｅ ｗｉｌｄ ” ［ Ｃ］ ／ ／ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｍｉａｍｉ， ＵＳＡ， ２００９： １９９６⁃２００３． ［３６］ ＬＩＮ Ｚ， ＪＩＡＮＧ Ｚ， ＤＡＶＩＤ Ｌ Ｓ． Ｒｅｃｏｇｎｉｚｉｎｇ ａｃｔｉｏｎｓ ｂｙ ｓｈａｐｅ⁃ｍｏｔｉｏｎ ｐｒｏｔｏｔｙｐｅ ｔｒｅｅｓ ［ Ｃ］ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒ⁃ ｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｋｙｏｔｏ， Ｊａｐａｎ， ２００９： ４４４⁃４５１． ［３７］ ＳＣＨＩＮＤＬＥＲ Ｇ， ＺＩＴＮＩＣＫ Ｌ， ＢＲＯＷＮ Ｍ． Ｉｎｔｅｒｎｅｔ ｖｉｄｅｏ ｃａｔｅｇｏｒｙ ｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］ ／ ／ ＩＥＥＥ Ｃｏｍｐｕｔｅｒ Ｓｏｃｉｅｔｙ Ｃｏｎｆｅｒ⁃ ｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｗｏｒｋ⁃ ｓｈｏｐｓ． Ａｎｃｈｏｒａｇｅ， ＵＳＡ， ２００８： １⁃７． ［３８］ ＳＵＮ Ｘ， ＣＨＥＮ Ｍ， ＨＡＵＰＴＭＡＮＮ Ａ． Ａｃｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ｖｉａ ｌｏｃａｌ ｄｅｓｃｒｉｐｔｏｒｓ ａｎｄ ｈｏｌｉｓｔｉｃ ｆｅａｔｕｒｅｓ［Ｃ］ ／ ／ ＩＥＥＥ Ｃｏｎ⁃ ｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｋｙｏ⁃ ｔｏ， Ｊａｐａｎ， ２００９： ５８⁃６５． ［３９］ＷＡＮＧ Ｈ， ＵＬＬＡＨ Ｍ Ｍ， ＫＬＡＳＥＲ Ａ， ｅｔ ａｌ． Ｅｖａｌｕａｔｉｏｎ ｏｆ ｌｏｃａｌ ｓｐａｔｉｏｔｅｍｐｏｒａｌ ｆｅａｔｕｒｅｓ ｆｏｒ ａｃｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ［ Ｃ］ ／ ／ Ｂｒｉｔｉｓｈ Ｍａｃｈｉｎｅ Ｖｉｓｉｏｎ Ｃｏｎｆｅｒｅｎｃｅ． Ｌｏｎｄｏｎ， ＵＫ， ２００９： １２４．１⁃１２４．１１． ［４０］ＩＫＩＺＬＥＲ Ｎ， ＣＩＮＢＩＳ Ｒ Ｇ， ＤＵＹＧＵＬＵ Ｐ． Ｈｕｍａｎ ａｃｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ｗｉｔｈ ｌｉｎｅ ａｎｄ ｆｌｏｗ ｈｉｓｔｏｇｒａｍｓ［Ｃ］ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎ⁃ ａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｔａｍｐａ， ＵＳＡ， ２００８： １⁃４． ［４１］ＺＨＡＮＧ Ｚ， ＨＵ Ｙ， ＣＨＡＮ Ｓ， ｅｔ ａｌ． Ｍｏｔｉｏｎ ｃｏｎｔｅｘｔ： ａ ｎｅｗ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｆｏｒ ｈｕｍａｎ ａｃｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］ ／ ／ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｍａｒｓｅｉｌｌｅ， Ｆｒａｎｃｅ， ２００８： 第 ３ 期 孙倩茹，等：视频序列的人体运动描述方法综述 ·１９７·

·198· 智能系统学报 第8卷 817-829 [51]BALLAN L,BERTINI M,DEL BIMBO A,et al.Effective [42]KLASER A,MARSZALEK M,SCHMID C.A spatio-tem- codebooks for human action representation and classifica- poral descriptor based on 3D-gradients[C]//British Ma- tion in unconstrained videos[J].IEEE Transactions on chine Vision Conference.Leeds,UK,2008:995-1004. Multimedia,2012,14(4):1234-1245. [43]LIU J,SHAH M.Learning human actions via information [52]楼晓燕.智能监控系统若干关键技术的研究和实现 maximization[C]//IEEE Conference on Computer Vision [D]杭州：浙江工业大学，2005：8. and Pattern Recognition.Anchorage,USA,2008:1-8. LOU Xiaoyan.Research and implementation of some key [44]ZHAO Z P,ELGAMMAL A M.Information theoretic key technique on intelligent monitoring system[D].Hangzhou: frame selection for action recognition[C//British Machine Zhejiang University of Technology,2005:8. Vision Conference.Leeds,UK,2008:109.1-109.10. 作者简介： [45]GILBERT A,ILLINGWORTH J,BOWDEN R.Scale in- 孙倩茹，女，1987年生，博士研究 variant action recognition using compound features mined 生，主要研究方向为计算机视觉、模式 from dense spatio-temporal corners[C]//European Confer- 识别 ence on Computer Vision.Marseille,France,2008:222. 233. [46]SAVARESE S,POZO A D,NIEBLES J,et al.Spatial- temporal correlations for unsupervised action classification [C]//IEEE Workshop on Motion and Video Computing. 王文敏，男，教授，主要研究方向为 Copper Mountain,USA,2008:1-8. Wb技术、嵌人式软件系统、智能终端 [47]NOWOZIN S,BAKIR G H,TSUDA K.Discriminative 技术.主持省、市重大科技专项6项，作 subsequence mining for action classification[C]//Interna- 为主要研发人员参与国家科技支撑计 tional Conference on Computer Vision.Rio de Janeiro, 划项目1项、省部产学研结合项目1 Brazil,2007:1-8. 项，提交发明专利申请1项（第一发明 [48]GUHA T,WARD R K.Learning sparse representations for 人)，取得软件著作权1项（第一著作权人）.获得国家（首 human action recognition[J].IEEE Transactions on Pat- 批)青年自然科学基金、省部级科技奖3项、市级科技奖1 tern Analysis and Machine Intelligence,2012,34(8): 项、部级鉴定1项.发表学术论文30余篇 1576-1588. [49]CUI Peng,WANG Fei,SUN Lifeng,et al.A matrix-based 刘宏，男.1967年生，教授，博士生 approach to unsupervised human action categorization[J]. 导师，中国人工智能学会副秘书长.主 IEEE Transactions on Multimedia,2012,14(1):102- 要研究方向为计算机视听觉、智能机器 110. 人.先后承担国家自然科学基金7项、国 [50]SADANAND S,CORSO J J.Action bank:a high-level 家“863”计划、“973”计划项目5项.获 representation of activity in video [C]//IEEE Conference 国家航天科技进步奖.发表学术论文1 on Computer Vision and Pattern Recognition.Providence, 30余篇，其中被SC1EI检索90余篇. USA,2012:1234-1241

国家航天科技进步奖． 发表学术论文 １ ８１７⁃８２９． ［４２］ＫＬＡＳＥＲ Ａ， ＭＡＲＳＺＡＬＥＫ Ｍ， ＳＣＨＭＩＤ Ｃ． Ａ ｓｐａｔｉｏ⁃ｔｅｍ⁃ ｐｏｒａｌ ｄｅｓｃｒｉｐｔｏｒ ｂａｓｅｄ ｏｎ ３Ｄ⁃ｇｒａｄｉｅｎｔｓ ［ Ｃ］ ／ ／ Ｂｒｉｔｉｓｈ Ｍａ⁃ ｃｈｉｎｅ Ｖｉｓｉｏｎ Ｃｏｎｆｅｒｅｎｃｅ． Ｌｅｅｄｓ， ＵＫ， ２００８： ９９５⁃１００４． ［４３］ＬＩＵ Ｊ， ＳＨＡＨ Ｍ． Ｌｅａｒｎｉｎｇ ｈｕｍａｎ ａｃｔｉｏｎｓ ｖｉａ ｉｎｆｏｒｍａｔｉｏｎ ｍａｘｉｍｉｚａｔｉｏｎ［Ｃ］ ／ ／ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ａｎｃｈｏｒａｇｅ， ＵＳＡ， ２００８： １⁃８． ［４４］ＺＨＡＯ Ｚ Ｐ， ＥＬＧＡＭＭＡＬ Ａ Ｍ． Ｉｎｆｏｒｍａｔｉｏｎ ｔｈｅｏｒｅｔｉｃ ｋｅｙ ｆｒａｍｅ ｓｅｌｅｃｔｉｏｎ ｆｏｒ ａｃｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］ ／ ／ Ｂｒｉｔｉｓｈ Ｍａｃｈｉｎｅ Ｖｉｓｉｏｎ Ｃｏｎｆｅｒｅｎｃｅ． Ｌｅｅｄｓ， ＵＫ， ２００８： １０９．１⁃１０９．１０． ［４５］ＧＩＬＢＥＲＴ Ａ， ＩＬＬＩＮＧＷＯＲＴＨ Ｊ， ＢＯＷＤＥＮ Ｒ． Ｓｃａｌｅ ｉｎ⁃ ｖａｒｉａｎｔ ａｃｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ｕｓｉｎｇ ｃｏｍｐｏｕｎｄ ｆｅａｔｕｒｅｓ ｍｉｎｅｄ ｆｒｏｍ ｄｅｎｓｅ ｓｐａｔｉｏ⁃ｔｅｍｐｏｒａｌ ｃｏｒｎｅｒｓ［Ｃ］ ／ ／ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒ⁃ ｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｍａｒｓｅｉｌｌｅ， Ｆｒａｎｃｅ， ２００８： ２２２⁃ ２３３． ［４６］ ＳＡＶＡＲＥＳＥ Ｓ， ＰＯＺＯ Ａ Ｄ， ＮＩＥＢＬＥＳ Ｊ， ｅｔ ａｌ． Ｓｐａｔｉａｌ⁃ ｔｅｍｐｏｒａｌ ｃｏｒｒｅｌａｔｉｏｎｓ ｆｏｒ ｕｎｓｕｐｅｒｖｉｓｅｄ ａｃｔｉｏｎ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ［Ｃ］ ／ ／ ＩＥＥＥ Ｗｏｒｋｓｈｏｐ ｏｎ Ｍｏｔｉｏｎ ａｎｄ Ｖｉｄｅｏ Ｃｏｍｐｕｔｉｎｇ． Ｃｏｐｐｅｒ Ｍｏｕｎｔａｉｎ， ＵＳＡ， ２００８： １⁃８． ［４７］ ＮＯＷＯＺＩＮ Ｓ， ＢＡＫＩＲ Ｇ Ｈ， ＴＳＵＤＡ Ｋ． Ｄｉｓｃｒｉｍｉｎａｔｉｖｅ ｓｕｂｓｅｑｕｅｎｃｅ ｍｉｎｉｎｇ ｆｏｒ ａｃｔｉｏｎ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｃ］ ／ ／ Ｉｎｔｅｒｎａ⁃ ｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｒｉｏ ｄｅ Ｊａｎｅｉｒｏ， Ｂｒａｚｉｌ， ２００７： １⁃８． ［４８］ＧＵＨＡ Ｔ， ＷＡＲＤ Ｒ Ｋ． Ｌｅａｒｎｉｎｇ ｓｐａｒｓｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｆｏｒ ｈｕｍａｎ ａｃｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔ⁃ ｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２０１２， ３４ （ ８）： １５７６⁃１５８８． ［４９］ＣＵＩ Ｐｅｎｇ， ＷＡＮＧ Ｆｅｉ， ＳＵＮ Ｌｉｆｅｎｇ， ｅｔ ａｌ． Ａ ｍａｔｒｉｘ⁃ｂａｓｅｄ ａｐｐｒｏａｃｈ ｔｏ ｕｎｓｕｐｅｒｖｉｓｅｄ ｈｕｍａｎ ａｃｔｉｏｎ ｃａｔｅｇｏｒｉｚａｔｉｏｎ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｕｌｔｉｍｅｄｉａ， ２０１２， １４ （ １）： １０２⁃ １１０． ［５０］ ＳＡＤＡＮＡＮＤ Ｓ， ＣＯＲＳＯ Ｊ Ｊ． Ａｃｔｉｏｎ ｂａｎｋ： ａ ｈｉｇｈ⁃ｌｅｖｅｌ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ ａｃｔｉｖｉｔｙ ｉｎ ｖｉｄｅｏ［Ｃ］ ／ ／ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｐｒｏｖｉｄｅｎｃｅ， ＵＳＡ， ２０１２： １２３４⁃１２４１． ［５１］ＢＡＬＬＡＮ Ｌ， ＢＥＲＴＩＮＩ Ｍ， ＤＥＬ ＢＩＭＢＯ Ａ， ｅｔ ａｌ． Ｅｆｆｅｃｔｉｖｅ ｃｏｄｅｂｏｏｋｓ ｆｏｒ ｈｕｍａｎ ａｃｔｉｏｎ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ａｎｄ ｃｌａｓｓｉｆｉｃａ⁃ ｔｉｏｎ ｉｎ ｕｎｃｏｎｓｔｒａｉｎｅｄ ｖｉｄｅｏｓ ［ Ｊ ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｕｌｔｉｍｅｄｉａ， ２０１２， １４（４）： １２３４⁃１２４５． ［５２］楼晓燕． 智能监控系统若干关键技术的研究和实现 ［Ｄ］．杭州：浙江工业大学， ２００５： ８． ＬＯＵ Ｘｉａｏｙａｎ． Ｒｅｓｅａｒｃｈ ａｎｄ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ ｓｏｍｅ ｋｅｙ ｔｅｃｈｎｉｑｕｅ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｍｏｎｉｔｏｒｉｎｇ ｓｙｓｔｅｍ［Ｄ］． Ｈａｎｇｚｈｏｕ： Ｚｈｅｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， ２００５： ８． 作者简介： 孙倩茹，女，１９８７ 年生，博士研究 生，主要研究方向为计算机视觉、模式 识别． 王文敏，男，教授，主要研究方向为 Ｗｅｂ 技术、嵌入式软件系统、智能终端 技术．主持省、市重大科技专项 ６ 项，作 为主要研发人员参与国家科技支撑计 划项目 １ 项、省部产学研结合项目 １ 项，提交发明专利申请 １ 项（第一发明 人），取得软件著作权 １ 项（第一著作权人）．获得国家（首 批）青年自然科学基金、省部级科技奖 ３ 项、市级科技奖 １ 项、部级鉴定 １ 项．发表学术论文 ３０ 余篇． 刘宏，男，１９６７ 年生，教授，博士生 导师，中国人工智能学会副秘书长．主 要研究方向为计算机视听觉、智能机器 人．先后承担国家自然科学基金 ７ 项、国 家“８６３”计划、“９７３”计划项目 ５ 项． 获 ·１９８· 智 能 系 统 学 报 第 ８ 卷 ３０ 余篇，其中被 ＳＣＩ、ＥＩ 检索 ９０ 余篇．