[发明专利]基于量子遗传算法优化的高效人体动作识别方法

说明书

本发明公开了一种基于量子遗传算法优化的高效人体动作识别方法，包括以下步骤：在待识别人体动作的持续时间内，获取M帧人体RGB‑D图像数据，其中，M为大于等于2的整数；提取每帧人体骨骼数据，获取人体关节点坐标信息，并根据人体关节点坐标信息提取该帧人体骨骼数据中多个肢干夹角的角度；根据M帧人体骨骼数据中多个肢干夹角的角度生成待识别人体动作的描述样本；通过量子遗传算法对支持向量机进行优化以得到优化后的支持向量机模型，并通过优化后的支持向量机模型对描述样本进行分类，以对待识别人体动作进行识别。根据本发明的方法，能够降低人体动作特征计算复杂度，提高人体动作识别的效率和准确度。

技术领域

本发明涉及模式识别技术领域，特别涉及一种基于量子遗传算法优化的高效人体动作识别方法。

背景技术

人体行为识别的研究在计算机视频监控、老年人健康监护和人机交互等多个领域具有重要的科学意义。行为识别的目的之一是提供用户行为相关信息，让计算机系统主动协助用户完成他们的任务。人体行为识别可以用于自然人机交互，在运动分析、虚拟现实、增强现实、教育、影视动画制作等众多领域应用广泛。

人体行为识别开始于九十年代末，早期的人体行为识别方法主要是基于视频序列进行的。研究方法大致可以分为两类：基于视觉的方法和基于传感器的方。随着微软Kinect等RGB-D传感器设备的出现，人体行为识别的研究有了新的契机。此类RGB-D体感传感器可以用全身骨骼跟踪，可提供15-20个人体关节点姿态等信息，成本低且具有良好的便携性，为人体行为识别的研究提供了极大的便利条件。国内外研究人体运用RGB-D传感器进行了人体行为识别的研究。在研究方法上，用于行为识别主要方法有决策树、贝叶斯方法、近邻取样、模糊逻辑、神经网络和支持向量机、隐马尔科夫模型和条件随机场等。

人体行为识别是一个极具挑战性的任务，人体行为模式具有多参数，不易描述，动作辨识度低等特点。微软Kinect传感器可以用于人体骨骼关节点的位置跟踪，但这些位置数据具有维度空间大，信息量冗余的特点。这些严重影响人体行为识别的速度和准确率。

传统的支持向量机在分类问题上因其简单和高效而被广泛应用，但如何搜寻并优化参数，仍是一个开放的问题。根据经典牛顿力学理论，人们只要知道物体的初始状态和驱动力，就可以完全得到物体运动情况。但是人体行为动作复杂，所研究的对象繁多，这种方法无法进行有效的研究。因此，人们将目光投向了以数据驱动为依托的机器学习理论。通过研究数据内部的统计规律与结构特点，对人体行为特征进行辨识和预测。支持向量机通过构造超平面，将不同类别的数据点隔离开以此达到分类的目的。支持向量机的惩罚因子和核函数参数这两个参数在很大程度上影响着分类结果的正确率，因此如何搜寻最优参数，是支持向量机需要解决的一个重要问题，然而目前运用传统的支持向量机参数寻优方法达到的效果还不够理想。

因此，目前对于人体行为动作的识别的效率和准确率还有待提高。

发明内容

本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的目的在于提出一种基于量子遗传算法优化的高效人体动作识别方法，能够提高人体动作识别的效率和准确度。

为达到上述目的，本发明提出的基于量子遗传算法优化的高效人体动作识别方法，包括以下步骤：在待识别人体动作的持续时间内，获取M帧人体RGB-D图像数据，其中，M为大于等于2的整数；提取每帧人体骨骼数据，获取人体关节点坐标信息，并根据所述人体关节点坐标信息提取该帧人体骨骼数据中多个肢干夹角的角度；根据M帧人体骨骼数据中多个肢干夹角的角度生成所述待识别人体动作的描述样本；通过量子遗传算法对支持向量机进行优化以得到优化后的支持向量机模型，并通过优化后的支持向量机模型对所述描述样本进行分类，以对所述待识别人体动作进行识别。