[发明专利]基于GMM表征的煤矿放炮不安全动作识别与判定方法

摘要

一种基于GMM表征的煤矿放炮不安全动作识别与判定方法，具体过程是：(1)人体骨架序列数据预处理，通过kinect获取人体骨架序列数据，通过数据手套获取手关节数据，对人体骨架序列数据和手关节数据进行去噪和归一化的预处理；(2)人体骨架序列数据表征：①动作的GMM特征，②骨骼序列时间序列表征，③动作表征GMM特征提取；(4)基于贝叶斯分类器的行为识别。本发明把一个动作理解为几个关键姿态的顺序组合，利用混合高斯模型GMM模型表征动作关键姿态的方法，简化了问题的处理，具有一定的有效性，识别和判定准确解决了煤矿放炮动作时间序列长、动作复杂、判定困难的问题。

主权项

1.一种基于GMM表征的煤矿放炮不安全动作识别与判定方法，其特征是：(1)人体骨架序列数据预处理：通过kinect获取人体骨架序列数据，通过数据手套获取手关节数据，对人体骨架序列数据和手关节数据进行去噪和归一化的预处理；①人体骨架序列数据实时去噪处理：为了消除抖动噪声，通过抖动消除滤波器来限制每帧中允许的输出变化来抑制输入尖峰噪声，抖动消除滤波器表示为：其中X_n为n时刻滤波器输入，为n时刻滤波器输出，threshold为抖动阈值门限，两帧之间大于此值定义为抖动，进行指数加权平滑滤波，否则不进行处理，α为指数加权平滑滤波的衰减因子；②人体骨架序列数据归一化处理：对人体骨架序列数据归一化处理，采用节点归一化方法消除节点序列由于人体位置和体型差异导致位移差与尺度差；设单帧N个节点集合为，P＝[x,y,z]T，腰部节点记为Pwst，位移归一化后序列为：P′i＝P‑Pwst；再进行尺度归一化为：(2)人体骨架序列数据表征：①动作的GMM特征：利用GMM聚类操作把相邻多个骨骼节点帧处理为一个关键姿态，从而动作k表征为:P为该GMM中模型个数，表示关键姿态的个数；mod_j(μ_j,Σ_j)为GMM中的每个高斯模型，表征一个关键姿态，μ_j为该模型的期望，Σ_j为该模型的协方差矩阵；a_j＝p(mod_j)，为GMM中每个模型的先验概率，表征每个关键姿态在整个动作中的先验概率；②骨骼序列时间序列表征：一个行为样本空间特征信息表示为人体骨架序列为{XiS}，其中i＝1,2,3,...,N，N为帧的个数；Xis∈Rd，为该帧骨骼节点信息，维度为d；为了在聚类的时候考虑到时间序列信息，在骨骼节点序列信息中加入一维表示时间序列的信息由于人体骨架序列的长度不一致，该时间序列信息归一化为：这样既包含时间序列信息又包含空间信息的第i帧信息表示为：③动作表征GMM特征提取：针对每一个动作k的所有训练样本的所有骨骼帧Xi，先通过k均值聚类算法进行聚类，得到一个初始关键姿态模型序列：通过EM算法对该关键姿态模型参数进行优化，目标是使所有该动作的训练样本在该动作的模型下出现的概率最高；(3)基于贝叶斯分类器的行为识别：根据贝叶斯分类算法思想，假定分类错误代价一致，对于给出的待分类动作序列X，基于最小化分类错误的贝叶斯动作分类器为：h*(X)＝arg max P(ck|X)，即对每一个动作样本X，ck为动作类别，选择能使后验概率P(ck|X)最大的动作类别标记；其中P(ck|X)计算为：由于针对每一个动作序列X，P(X)是相同的；假定对所有的类别，P(ck)是相同的，因此公式h*(X)＝argmaxP(ck|X)的分类器转换为：h*(X)＝argmaxP(X|ck)，假定每一个帧是独立的，为了消除乘法操作，取对数，这样，得到了每一个不同动作c_k类别下GMM特征表征因此：一个动作样本X的识别结果h^*(X)为该X在每一个动作模型gmm_k中最大概率对应的动作类别。