智能系统学报 第12卷 模型中得到的平均信息嫡的个数为C,设置阈值为 拍摄，是日常活动的数据集，如图2。在这个数据集 C。,C<C。,选择HON4D关节点表观特征，否则选择 中，动作覆盖手、腿、躯干以及其他一些互动行为。 关节点相对距离特征。 其中数据集中每个行为由10个人完成，每个人分别 算法详见算法1。 以不同的姿态完成。该数据集样本数为320。在本 算法1基于嫡的自适应特征选择算法 文的实验中，我们将在每个行为中选取5个人所完 输入训练样本平均嫡，测试样本HON4D特 成的10个样本，也就是其中160个作为训练样本， 征与关节点相对距离特征，20个关节点模型，关节 其余160个作为测试样本。 点相对距离模型，HON4D关节点组合模型，阈值 在设置参数方面，HON4D中网格大小为 Cp,平均信息熵En(n=1,2,…,na） 60×60×10,步长为3×3×1，傅里叶变换取低频信息 输出预测标签。 10。在本文的方法中，需要设置阈值：每个关节点的 1)初始化C为0。 信息熵阈值和高判别力关节点的数量阈值。其中， 2)for第n个关节点in所有关节点数目do。 每个关节点的信息熵阈值采用各自的平均信息嫡 3)第n个关节点的HON4D特征作为测试样本 作为阈值，是一种自适应的方法，不需要手动调节。 特征，由相对应的关节点模型测试得到c个投票 同时，通过实验对比，关节点数量的阈值C,=16时， 结果。 行为识别的准确率最高。 4)计算c4个投票结果的投票概率。 3.1特征介绍 5)计算该模型下的投票熵。 在HON4D的关节点判别力表示中，我们采用 6)比较E与该模型下的投票嫡，若E。小， 错误率的方式进行衡量，可以从20个关节点模型中 则C+1。 分别得到16个行为的错误率。从图2可以看出，某 7)end for 个行为中错误率较低的关节点在该行为中占据比 8)比较C与C。,若C小，则使用关节点相对距 较重要的位置，比如图2(a)的行为为喝水的动作， 离特征；若C大，则使用HON4D特征。 重要的关节点主要集中在手部、头部，这些关节点 9)输出预测标签。 的错误率也较低。 3实验结果 根据这16个行为的关节点错误率可以得到针 对整个数据集的平均错误率，由平均错误率可以得 为了验证本方法的可用性，我们将在MSR-Daily 到相应关节点的排序为{2,10,11,1,12,5,9,3,17， Activity3D数据集上验证。该数据使用Kinect设备 4,7,13,6,8,14,18,15,19,16,20}。 (a)喝水 (b)吃东西 (c)看书 (d)打电话 (e)写字(D用笔记本电脑(g)使用吸尘器(h)欢呼 (静止 )扔纸团(k)玩游戏 (①)躺在沙发上(m)走路 (n)弹吉他(o)站起来(p)坐下 图2关节点错误率骨架图 Fig.2 The skeleton diagram of joint point error模型中得到的平均信息熵的个数为 Ｃ，设置阈值为 Ｃｐ，Ｃ＜Ｃｐ，选择 ＨＯＮ４Ｄ 关节点表观特征，否则选择 关节点相对距离特征。 算法详见算法 １。 算法 １ 基于熵的自适应特征选择算法 输入 训练样本平均熵，测试样本 ＨＯＮ４Ｄ 特 征与关节点相对距离特征，２０ 个关节点模型，关节 点相对距离模型，ＨＯＮ４Ｄ 关节点组合模型，阈值 Ｃｐ，平均信息熵 Ｅｎｊ （ｎｊ ＝ １，２，…，ｎＪｏｉｎｔ） 输出 预测标签。 １）初始化 Ｃ 为 ０。 ２）ｆｏｒ 第 ｎｊ 个关节点 ｉｎ 所有关节点数目 ｄｏ。 ３）第 ｎｊ 个关节点的 ＨＯＮ４Ｄ 特征作为测试样本 特征，由相对应的关节点模型测试得到 ｃＣｌｓ 个投票 结果。 ４）计算 ｃＣｌｓ个投票结果的投票概率。 ５）计算该模型下的投票熵。 ６） 比较 Ｅｎｊ 与该模型下的投票熵， 若 Ｅｎｊ 小， 则Ｃ＋１。 ７）ｅｎｄ ｆｏｒ。 ８）比较 Ｃ 与 Ｃｐ，若 Ｃ 小，则使用关节点相对距 离特征；若 Ｃ 大，则使用 ＨＯＮ４Ｄ 特征。 ９）输出预测标签。 ３ 实验结果 为了验证本方法的可用性，我们将在ＭＳＲ⁃Ｄａｉｌｙ Ａｃｔｉｖｉｔｙ ３Ｄ 数据集上验证。 该数据使用 Ｋｉｎｅｃｔ 设备 拍摄，是日常活动的数据集，如图 ２。 在这个数据集 中，动作覆盖手、腿、躯干以及其他一些互动行为。 其中数据集中每个行为由 １０ 个人完成，每个人分别 以不同的姿态完成。 该数据集样本数为 ３２０。 在本 文的实验中，我们将在每个行为中选取 ５ 个人所完 成的 １０ 个样本，也就是其中 １６０ 个作为训练样本， 其余 １６０ 个作为测试样本。 在设 置 参 数 方 面， ＨＯＮ４Ｄ 中 网 格 大 小 为 ６０×６０×１０，步长为 ３×３×１，傅里叶变换取低频信息 １０。 在本文的方法中，需要设置阈值：每个关节点的 信息熵阈值和高判别力关节点的数量阈值。 其中， 每个关节点的信息熵阈值采用各自的平均信息熵 作为阈值，是一种自适应的方法，不需要手动调节。 同时，通过实验对比，关节点数量的阈值 Ｃｐ ＝ １６ 时， 行为识别的准确率最高。 ３．１ 特征介绍 在 ＨＯＮ４Ｄ 的关节点判别力表示中，我们采用 错误率的方式进行衡量，可以从 ２０ 个关节点模型中 分别得到 １６ 个行为的错误率。 从图 ２ 可以看出，某 个行为中错误率较低的关节点在该行为中占据比 较重要的位置，比如图 ２（ａ）的行为为喝水的动作， 重要的关节点主要集中在手部、头部，这些关节点 的错误率也较低。 根据这 １６ 个行为的关节点错误率可以得到针 对整个数据集的平均错误率，由平均错误率可以得 到相应关节点的排序为｛２，１０，１１，１，１２，５，９，３，１７， ４，７，１３，６，８，１４，１８，１５，１９，１６，２０｝。 图 ２ 关节点错误率骨架图 Ｆｉｇ．２ Ｔｈｅ ｓｋｅｌｅｔｏｎ ｄｉａｇｒａｍ ｏｆ ｊｏｉｎｔ ｐｏｉｎｔ ｅｒｒｏｒ ·４· 智 能 系 统 学 报 第 １２ 卷