·580· 智能系统学报 第9卷 视角空间下当前动作模型类别。 n∈A= 本文主要根据两方面来对各子视角空间的概率 jlmax(p(())-p()th, 权重进行选取： 1)根据各子视角空间内部各动作模型之间的 1≤j≤Hj≠arax(p(01A): 可分性，若当前子视角空间下的动作模型可分性较 h为相似动作间的阈值。 好，即加重当前子视角空间下的权值。 (4)混合视角权值：为了更加有效的对未知视 2)根据各子视角空间与给定测试动作所在子 角的测试动作进行识别，结合2)、3)给出的视角空 视角空间的近似度关系，若当前子视角空间与给定 间概率权值求取思想，将视角之间权值与视角内部 测试动作所在子视角空间近似度较高则加重当前视 权值相结合，这样可使识别算法同时考虑了各子视 角空间的权值。本文正是基于以上思想来决定各子 角之间的相似关系以及视角内部动作模型的可分 视角空间权重大小，具体采用以下4种不同的权值 性，其具体实现由式(6)给出。 求取方式。 mean_w. (1)无视角权值：不考虑各子视角空间下的权 重关系，直接将各子视角空间下相应的动作模型似 ma (p(m)) 月-1gP(0m1A) 1 然概率相加，得到多视角空间下的待识别动作与各 ∑ie∑iP01A) 动作模型相似度，取其最大相似度与之对应的动作 (6) 模型类别作为待识别动作类别，即： 式中：j≠a婴8x(p(01A) action class p(O1入h.) 3实验与结果与分析 argmax( (3) 1完h≤H 点：∑1P(01A 本文所用实验数据均来自于Inria Xmas Motion (2)视角之间权值：利用各子视角空间与给定 Acquisition Sequences(IXMAS)数据库，其中包含了 测试动作所在子视角空间的近似度关系进行权值求 12个动作、5个摄像机视角，且在每个摄像机视角下 取，通常各子视角空间与给定的测试动作所在子视 每个动作分别由13个人执行3遍，在动作执行过程 角空间近似度越高，其视角空间下各动作模型似然 中，人体相对与摄像机的视角不受约束，该数据库被 概率和越大，所以，本文选取各子视角空间下的各动 广泛用于视角无关的人体动作识别。 作模型似然概率和作为当前子视角空间的概率权值 本文首先对数据库中的各摄像机下的动作数据 求取的准则函数。式(4)给出了一个子视角空间v 进行视角聚类，每个摄像机下的动作数据分别将其 下的权值求取具体过程。 聚类为3个子视角空间进行实验，在各实验中采用 ∑eP(0产1A) 留一法对不同执行人进行循环测试，最终得到实验 inter_w (4) ∑i,∑14少(0产1a) 结果。图3中的每一行展示出了各摄像机下聚类出 的子视角空间中的一类动作数据样例。 (3)视角内部权值：利用各子视角空间自身内 部各动作模型之间的可分性关系进行权值求取，通 cam0 caml cam2 cam3 cam4 常情况下，误识别动作往往发生于执行时相似度较 scratch head 高的两个或几个动作之间，如：wave、seratch head、 walk、turn around等，这样就应该着重分析各子视角 check 空间内部的相似动作，本文利用各子视角空间内部 watch 相似动作模型间似然概率差作为当前子视角空间的 wave 概率权值求取准则函数，其具体形式由式(5)给出。 ☏(0产1》-∑0广1A) 图3多视角XMAS数据库示例图 intra w. Fig.3 Exemplar frames from IXMAS multi-view dataset ☏0产1》+∑iee0产1A) 3.1特定摄像机下视角无关动作识别性能验证 (5) 在本次实验中，利用XMAS数据库中特定摄像 式中： 机下的动作数据对算法识别性能的旋转视角变化适视角空间下当前动作模型类别。 本文主要根据两方面来对各子视角空间的概率 权重进行选取： １）根据各子视角空间内部各动作模型之间的 可分性，若当前子视角空间下的动作模型可分性较 好，即加重当前子视角空间下的权值。 ２）根据各子视角空间与给定测试动作所在子 视角空间的近似度关系，若当前子视角空间与给定 测试动作所在子视角空间近似度较高则加重当前视 角空间的权值。 本文正是基于以上思想来决定各子 视角空间权重大小，具体采用以下 ４ 种不同的权值 求取方式。 （１）无视角权值：不考虑各子视角空间下的权 重关系，直接将各子视角空间下相应的动作模型似 然概率相加，得到多视角空间下的待识别动作与各 动作模型相似度，取其最大相似度与之对应的动作 模型类别作为待识别动作类别，即： ａｃｔｉｏｎ＿ｃｌａｓｓ ＝ ａｒｇｍａｘ １≤ｈ≤Ｈ （ ∑ ｖ １≤ｖ≤Ｖ ｐ（Ｏ ｔｅｓｔ ｜ λ （ｈ，ｖ） ） ∑ ｈ １≤ｈ≤Ｈ ｐ（Ｏ ｔｅｓｔ ｜ λ （ｈ，ｖ） ） ） （３） （２）视角之间权值：利用各子视角空间与给定 测试动作所在子视角空间的近似度关系进行权值求 取，通常各子视角空间与给定的测试动作所在子视 角空间近似度越高，其视角空间下各动作模型似然 概率和越大，所以，本文选取各子视角空间下的各动 作模型似然概率和作为当前子视角空间的概率权值 求取的准则函数。 式（４）给出了一个子视角空间 ｖ 下的权值求取具体过程。 ｉｎｔｅｒ＿ｗｖ ＝ ∑ ｈ １≤ｈ≤Ｈ ｐ（Ｏ ｔｅｓｔ ｜ λ （ｈ，ｖ） ） ∑ ｖ １≤ｖ≤Ｖ∑ ｈ １≤ｈ≤Ｈ ｐ（Ｏ ｔｅｓｔ ｜ λ （ｈ，ｖ） ） （４） （３）视角内部权值：利用各子视角空间自身内 部各动作模型之间的可分性关系进行权值求取，通 常情况下，误识别动作往往发生于执行时相似度较 高的两个或几个动作之间，如：ｗａｖｅ、ｓｃｒａｔｃｈ ｈｅａｄ、 ｗａｌｋ、ｔｕｒｎ ａｒｏｕｎｄ 等，这样就应该着重分析各子视角 空间内部的相似动作，本文利用各子视角空间内部 相似动作模型间似然概率差作为当前子视角空间的 概率权值求取准则函数，其具体形式由式（５）给出。 ｉｎｔｒａ＿ｗｖ ＝ ｍａｘ １≤ｉ≤Ｈ （ｐ（Ｏ ｔｅｓｔ ｜ λ ｉ，ｖ ）） － １ Ｎ∑ ｎ １≤ｎ≤Ｎ ｐ（Ｏ ｔｅｓｔ ｜ λ （ｎ，ｖ） ） ｍａｘ １≤ｉ≤Ｈ （ｐ（Ｏ ｔｅｓｔ ｜ λ ｉ，ｖ ）） ＋ １ Ｎ∑ ｎ １≤ｎ≤Ｎ ｐ（Ｏ ｔｅｓｔ ｜ λ （ｎ，ｖ） ） （５） 式中： ｎ ∈ Ａ ＝ ｛ｊ ｜ ｍａｘ １≤ｉ≤Ｈ （ｐ（Ｏ ｔｅｓｔ ｜ λ （ｉ，ｖ） ）） － ｐ（Ｏ ｔｅｓｔ ｜ λ （ｊ，ｖ） ） ≤ ｔｈ， １ ≤ ｊ ≤ Ｈ，ｊ ≠ ａｒｇｍａｘ １≤ｉ≤Ｈ （ｐ（Ｏ ｔｅｓｔ ｜ λ （ｉ，ｖ） ））｝； ｔｈ 为相似动作间的阈值。 （４）混合视角权值：为了更加有效的对未知视 角的测试动作进行识别，结合 ２）、３）给出的视角空 间概率权值求取思想，将视角之间权值与视角内部 权值相结合，这样可使识别算法同时考虑了各子视 角之间的相似关系以及视角内部动作模型的可分 性，其具体实现由式（６）给出。 ｍｅａｎ＿ｗｖ ＝ ｍａｘ １≤ｉ≤Ｈ （ｐ（Ｏ ｔｅｓｔ ｜ λ （ｉ，ｖ） ）） － １ Ｈ － １∑ ｊ １≤ｊ≤Ｈ ｐ（Ｏ ｔｅｓｔ ｜ λ （ｊ，ｖ） ） ∑ ｖ １≤ｖ≤Ｖ∑ ｈ １≤ｈ≤Ｈ ｐ（Ｏ ｔｅｓｔ ｜ λ （ｈ，ｖ） ） （６） 式中： ｊ ≠ ａｒｇｍａｘ １≤ｉ≤Ｈ （ｐ（Ｏ ｔｅｓｔ ｜ λ （ｉ，ｖ） ）） ３ 实验与结果与分析 本文所用实验数据均来自于 Ｉｎｒｉａ Ｘｍａｓ Ｍｏｔｉｏｎ Ａｃｑｕｉｓｉｔｉｏｎ Ｓｅｑｕｅｎｃｅｓ （ＩＸＭＡＳ）数据库，其中包含了 １２ 个动作、５ 个摄像机视角，且在每个摄像机视角下 每个动作分别由 １３ 个人执行 ３ 遍，在动作执行过程 中，人体相对与摄像机的视角不受约束，该数据库被 广泛用于视角无关的人体动作识别。 本文首先对数据库中的各摄像机下的动作数据 进行视角聚类，每个摄像机下的动作数据分别将其 聚类为 ３ 个子视角空间进行实验，在各实验中采用 留一法对不同执行人进行循环测试，最终得到实验 结果。 图 ３ 中的每一行展示出了各摄像机下聚类出 的子视角空间中的一类动作数据样例。 图 ３ 多视角 ＩＸＭＡＳ 数据库示例图 Ｆｉｇ．３ Ｅｘｅｍｐｌａｒ ｆｒａｍｅｓ ｆｒｏｍ ＩＸＭＡＳ ｍｕｌｔｉ⁃ｖｉｅｗ ｄａｔａｓｅｔ ３．１ 特定摄像机下视角无关动作识别性能验证 在本次实验中，利用 ＩＸＭＡＳ 数据库中特定摄像 机下的动作数据对算法识别性能的旋转视角变化适 ·５８０· 智 能 系 统 学 报 第 ９ 卷