第1期 郭利，等：累积方向-数量级光流梯度直方图的人体动作识别 ·107. 向量的维数，在实验时累积帧数设定为20，实验结 3.2最佳参数用于KTH数据库动作识别的结果 果如图5(a)所示，其中横坐标的1~9分别对应网 由3.1节得出最优参数，累积帧数为10，网格数 格数为1×2、2×2、2×4、2×5、4×4、4×5、5×5、4×8、5× 为4×4。在最优参数设置下，进行不同场景的人体 8。从图中可以看出，随着网格数的增加识别结果 动作识别，其结果如表1所示。 越来越好，但是到达某个峰值之后，随着网格数的增 表1不同的场景识别的结果 加识别结果反而变坏，实验在网格数为4×4时识别 Table 1 Result of different Sceneries % 率达到最高。这表明网格数过少，得到的描述子所 包含的信息量也相对少；网格数过多，每个网格对应 场景 S S2 S S 的运动区域非常小，其中包含的运动信息量相应较 少，提取的特征对识别的贡献不大。 识别结果 91.66 88.89 86.11 91.66 87.5 2)图像序列累积帧数N。视频序列的每一帧图 从表1可以看出，所提特征在KTH的数据库上 像都包含动作的运动信息，但是多少帧图像能够完 得到了较理想的识别结果，场景1下得到了91.66% 整地表达一个动作的属性，是一个非常重要的问题。 的正确识别率。在场景2和场景3识别结果相对低 由于动作数据库的各个视频的帧数不同，因此选取 一些，主要是由于场景2的拍摄过程中摄像机有轻 5~35帧作为累积帧数，分别进行动作识别的测试。 如果某个视频图像序列少于累积帧数，则选取视频 微运动或镜头拉远拉近，场景3下运动执行人的穿 序列的所有帧进行累积。将网格数设定为4×4，不 着有明显的变化，如穿上大衣、带上帽子或者背上书 同累积帧数对应的识别结果如图5(b)所示，可以看 包等使人体外观有了较大的改变。在场景2、3下进 出识别率不是随着累积帧数的增加而增大，当累积 行算法的测试具有一定的挑战性，本文方法分别得 帧数为10时识别率最高。这主要归因于人体动作 到了88.89%和86.11%的正确识别率，这样的识别结 执行过程是周期性的，累计帧数刚好对应一个人体 果是令人满意的。这也进一步证明了所提出的特征 运动周期时，得到的识别效果最好。 对于摄像机的轻微运动和人体外观的变化具有一定 0.90 的鲁棒性。 动作识别的混淆矩阵如图6所示，可以看出累 0.85 积方向-数量级的光流梯度直方图对挥手有较好的 0.80 识别结果，正确识别率达100%：对“跑”这一动作识 书 别较差，多被识别为“慢跑”，因为“跑”和“慢跑”动 0.75 作在运动过程中表现比较相近。 0.70 Box 2.0 Clap 0.65 4567 Wave 网格数类型标号 1.0 (a网格数 Jog 0.91 Run 0.5 Walk 0.89 0 Box Clap Wave Jog Run Walk 0.871 图6S12u不同动作识别的混淆矩阵 0.85 Fig.6 Confusion matrix on KTH:scenario S 0.83H 3.3与其他方法比较 本文所提出方法与近期的相关方法在KTH数 0.8 5 0 据库的识别性能比较见表2。 15 2025 30 35 帧数 从表2可以看出，新方法比文献[7,11]仅使用 )累积帧数 兴趣点特征和原始的分区域光流表示方法所得到的 图5不同累积帧数及网格数的识别结果 识别效果要好。与文献[12]得到的正确识别率相 Fig.5 The results of different frames and numbers of grids 当，但文献[12]使用了3种混合特征用于动作识向量的维数，在实验时累积帧数设定为 ２０，实验结 果如图 ５（ ａ）所示，其中横坐标的 １ ～ ９ 分别对应网 格数为 １×２、２×２、２×４、２×５、４×４、４×５、５×５、４×８、５× ８。 从图中可以看出，随着网格数的增加识别结果 越来越好，但是到达某个峰值之后，随着网格数的增 加识别结果反而变坏，实验在网格数为 ４×４ 时识别 率达到最高。 这表明网格数过少，得到的描述子所 包含的信息量也相对少；网格数过多，每个网格对应 的运动区域非常小，其中包含的运动信息量相应较 少，提取的特征对识别的贡献不大。 ２）图像序列累积帧数 Ｎ。 视频序列的每一帧图 像都包含动作的运动信息，但是多少帧图像能够完 整地表达一个动作的属性，是一个非常重要的问题。 由于动作数据库的各个视频的帧数不同，因此选取 ５～３５ 帧作为累积帧数，分别进行动作识别的测试。 如果某个视频图像序列少于累积帧数，则选取视频 序列的所有帧进行累积。 将网格数设定为 ４×４，不 同累积帧数对应的识别结果如图 ５（ｂ）所示，可以看 出识别率不是随着累积帧数的增加而增大，当累积 帧数为 １０ 时识别率最高。 这主要归因于人体动作 执行过程是周期性的，累计帧数刚好对应一个人体 运动周期时，得到的识别效果最好。 图 ５ 不同累积帧数及网格数的识别结果 Ｆｉｇ．５ Ｔｈｅ ｒｅｓｕｌｔｓ ｏｆ ｄｉｆｆｅｒｅｎｔ ｆｒａｍｅｓ ａｎｄ ｎｕｍｂｅｒｓ ｏｆ ｇｒｉｄｓ ３．２ 最佳参数用于 ＫＴＨ 数据库动作识别的结果 由 ３．１ 节得出最优参数，累积帧数为 １０，网格数 为 ４×４。 在最优参数设置下，进行不同场景的人体 动作识别，其结果如表 １ 所示。 表 １ 不同的场景识别的结果 Ｔａｂｌｅ １ Ｒｅｓｕｌｔ ｏｆ ｄｉｆｆｅｒｅｎｔ Ｓｃｅｎｅｒｉｅｓ ％ 场景 Ｓ１ Ｓ２ Ｓ３ Ｓ４ Ｓ１２３４ 识别结果 ９１．６６ ８８．８９ ８６．１１ ９１．６６ ８７．５ 从表 １ 可以看出，所提特征在 ＫＴＨ 的数据库上 得到了较理想的识别结果，场景 １ 下得到了 ９１．６６％ 的正确识别率。 在场景 ２ 和场景 ３ 识别结果相对低 一些，主要是由于场景 ２ 的拍摄过程中摄像机有轻 微运动或镜头拉远拉近，场景 ３ 下运动执行人的穿 着有明显的变化，如穿上大衣、带上帽子或者背上书 包等使人体外观有了较大的改变。 在场景 ２、３ 下进 行算法的测试具有一定的挑战性，本文方法分别得 到了８８．８９％和 ８６．１１％的正确识别率，这样的识别结 果是令人满意的。 这也进一步证明了所提出的特征 对于摄像机的轻微运动和人体外观的变化具有一定 的鲁棒性。 动作识别的混淆矩阵如图 ６ 所示，可以看出累 积方向－数量级的光流梯度直方图对挥手有较好的 识别结果，正确识别率达 １００％；对“跑”这一动作识 别较差，多被识别为“慢跑”，因为“跑”和“慢跑”动 作在运动过程中表现比较相近。 图 ６ Ｓ１２３４不同动作识别的混淆矩阵 Ｆｉｇ．６ Ｃｏｎｆｕｓｉｏｎ ｍａｔｒｉｘ ｏｎ ＫＴＨ： ｓｃｅｎａｒｉｏ Ｓ１２３４ ３．３ 与其他方法比较 本文所提出方法与近期的相关方法在 ＫＴＨ 数 据库的识别性能比较见表 ２。 从表 ２ 可以看出，新方法比文献［７，１１］仅使用 兴趣点特征和原始的分区域光流表示方法所得到的 识别效果要好。 与文献［１２］ 得到的正确识别率相 当，但文献［１２］ 使用了 ３ 种混合特征用于动作识 第 １ 期 郭利，等：累积方向－数量级光流梯度直方图的人体动作识别 ·１０７·