本發(fā)明涉及人體行為識(shí)別領(lǐng)域，特別涉及一種基于自反饋基因表達(dá)式編程的人體行為識(shí)別方法。

背景技術(shù)：

近幾年，人體行為識(shí)別研究是國(guó)際上計(jì)算機(jī)學(xué)科最熱門(mén)的前沿研究課題之一，具有重要的理論研究?jī)r(jià)值，研究課題內(nèi)容豐富，涉及到圖像處理與分析、機(jī)器視覺(jué)、人體生理學(xué)、人體運(yùn)動(dòng)學(xué)、模式識(shí)別和人工智能等多學(xué)科領(lǐng)域知識(shí)。人體行為識(shí)別研究不但拓寬了學(xué)科間的研究方向，而且?guī)?dòng)相關(guān)學(xué)科的發(fā)展，同時(shí)也是智慧城市與公共安全迫切需要解決的關(guān)鍵技術(shù)，其廣泛應(yīng)用于人機(jī)智能交互、智能視覺(jué)監(jiān)控、基于內(nèi)容的視頻檢索、虛擬現(xiàn)實(shí)等領(lǐng)域。目前人體識(shí)別的大部的研究還只停止在靜態(tài)的識(shí)別，人體運(yùn)動(dòng)的復(fù)雜性和易變性使得識(shí)別的準(zhǔn)確性和高效性無(wú)法滿足相關(guān)行業(yè)的實(shí)用要求。

目前，現(xiàn)有技術(shù)中對(duì)人體行為的識(shí)別主要是采用關(guān)節(jié)點(diǎn)佩戴傳感器或者是采用多攝像頭進(jìn)行多視角監(jiān)視，關(guān)節(jié)點(diǎn)佩戴傳感器是指在人體的某個(gè)部位放上傳感器，這種方式識(shí)別人體的行為種類有限，且識(shí)別準(zhǔn)確度不高、識(shí)別速度慢、識(shí)別行為單一且可擴(kuò)展性差；采用多攝像頭進(jìn)行多視角監(jiān)視是指在各個(gè)視角位置安裝攝像頭，通過(guò)各個(gè)視角的攝像頭拍攝到的圖片判定人體的行為，這種方式存在成本高、數(shù)據(jù)精度低、使用不便、受環(huán)境因素影響大等缺陷。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種基于自反饋基因表達(dá)式編程的人體行為識(shí)別方法，該方法利用自反饋基因表達(dá)式(SGEP)建立人體運(yùn)動(dòng)模型，然后將人體運(yùn)動(dòng)模型的梯度信息作為人體運(yùn)動(dòng)模型特征對(duì)各類人體行為進(jìn)行精確刻畫(huà)，最后通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)人體行為進(jìn)行識(shí)別，具有人體行為識(shí)別準(zhǔn)確度高以及識(shí)別速度快的優(yōu)點(diǎn)。

本發(fā)明的目的通過(guò)下述技術(shù)方案實(shí)現(xiàn)：一種基于自反饋基因表達(dá)式編程的人體行為識(shí)別方法，其特征在于，步驟如下：

S1、獲取人體行為深度圖像，然后從人體行為深度圖像中分別提取出人體N個(gè)關(guān)節(jié)點(diǎn)各自對(duì)應(yīng)的三維時(shí)間序列數(shù)據(jù)，作為一個(gè)樣本；

S2、利用自反饋基因表達(dá)式編程對(duì)樣本進(jìn)行建模，獲取到樣本對(duì)應(yīng)的各關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列，從而得到各樣本基于關(guān)節(jié)點(diǎn)的人體運(yùn)動(dòng)模型；其中所述自反饋基因表達(dá)式編程由基因表達(dá)式編程在交叉、變異操作后再加入TIS插串操作構(gòu)造得到，其中TIS插串操作指的是在關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列頭部插入函數(shù)符串，用于增加關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列有效位的長(zhǎng)度增長(zhǎng)；

S3、提取人體運(yùn)動(dòng)模型的梯度信息作為模型特征；

S4、通過(guò)步驟S1獲取到訓(xùn)練樣本集，并且各訓(xùn)練樣本通過(guò)步驟S2的方式獲取到各訓(xùn)練樣本的人體運(yùn)動(dòng)模型，然后通過(guò)步驟S3的方式提取各訓(xùn)練樣本的人體運(yùn)動(dòng)模型的模型特征；

S5、各訓(xùn)練樣本的人體運(yùn)動(dòng)模型的模型特征作為神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型，作為最終的人體行為分類器；

S6、通過(guò)步驟S1獲取到測(cè)試樣本，并且測(cè)試樣本通過(guò)步驟S2的方式獲取到測(cè)試樣本的人體運(yùn)動(dòng)模型，然后通過(guò)步驟S3的方式提取測(cè)試樣本的人體運(yùn)動(dòng)模型的模型特征；

S7、將測(cè)試樣本的人體運(yùn)動(dòng)模型的模型特征輸入至步驟S5中獲取到的人體行為分類器中，通過(guò)該人體行為分類器得到人體行為識(shí)別結(jié)果。

優(yōu)選的，所述步驟S1中使用微軟體感設(shè)備Kinect結(jié)合第二代SDK以及OpenCV計(jì)算機(jī)視覺(jué)庫(kù)獲取人體行為深度圖像；其中利用TOF(Time Of Flight，飛行時(shí)間)技術(shù)，計(jì)算微軟Kinect傳感器中紅外傳感器發(fā)射的紅外光線到達(dá)人體后反射的相位差，得到基于人體的人體行為深度圖像；

各個(gè)關(guān)節(jié)點(diǎn)對(duì)應(yīng)的三維時(shí)間序列數(shù)據(jù)是以微軟體感設(shè)備Kinect的紅外傳感器為原點(diǎn)所建立的空間直角坐標(biāo)系得到的，該空間直角坐標(biāo)系包括x軸、y軸和z軸，其中x軸正方向?yàn)槠叫杏谖④涹w感設(shè)備Kinect水平方向向左，y軸正方向?yàn)榇怪庇谖④涹w感設(shè)備Kinect傾斜方向向上，z軸正方向?yàn)槲④涹w感設(shè)備Kinect朝向方向。

優(yōu)選的，所述步驟S1中N為25以上。

優(yōu)選的，所述步驟S1中在獲取到人體行為深度圖像后，將人體行為深度圖像中的人體與背景進(jìn)行分割，然后轉(zhuǎn)化為骨架追蹤系統(tǒng)，從而獲取人體的多個(gè)關(guān)節(jié)點(diǎn)三維時(shí)間序列數(shù)據(jù)。

優(yōu)選的，所述步驟S2中自反饋基因表達(dá)式編程對(duì)樣本進(jìn)行建模，得到基于關(guān)節(jié)點(diǎn)的人體運(yùn)動(dòng)模型的具體過(guò)程如下：

S21、確定人體運(yùn)動(dòng)模型所需的函數(shù)符集和終結(jié)符集以及終結(jié)符個(gè)數(shù)，并設(shè)定循環(huán)終止條件；

S22、創(chuàng)建隨機(jī)關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列初始種群，將各關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列表達(dá)為基因表達(dá)式樹(shù)；關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列由函數(shù)符集和終結(jié)符集構(gòu)成，終結(jié)符集中包括關(guān)節(jié)點(diǎn)三維時(shí)間序列數(shù)據(jù)中時(shí)間t以及關(guān)節(jié)點(diǎn)三維時(shí)間序列數(shù)據(jù)的坐標(biāo)分量；

S23、計(jì)算種群中各關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的適應(yīng)值，然后通過(guò)相對(duì)誤差估計(jì)模型或絕對(duì)誤差模型對(duì)種群中各關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列對(duì)環(huán)境的適應(yīng)能力進(jìn)行評(píng)估，在評(píng)估結(jié)果符合條件的情況下，從種群選擇出一定數(shù)量的個(gè)體作為父體；并且判斷是否滿足循環(huán)終止條件，若滿足，則跳轉(zhuǎn)到S26，否則進(jìn)入步驟S24；

S24、根據(jù)步驟S23選擇出的父體，對(duì)種群中的關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列進(jìn)行基因表達(dá)式編程的交叉、變異操作；

S25、對(duì)種群的關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列進(jìn)行TIS插串操作，得到下一代種群個(gè)體，回到步驟S23；

S26、輸出模型，得到最優(yōu)染色體所表示的函數(shù)表達(dá)式，即關(guān)節(jié)點(diǎn)的人體運(yùn)動(dòng)模型。

更進(jìn)一步的，步驟S21中函數(shù)符集F為：

F＝{S，C，T，I，R，N，P，Q，E，A，G，L，B，D，F(xiàn)，H}

其中函數(shù)符集F中的各元素代表含義如下：

S表示正弦函數(shù)Sin，C表示余弦函數(shù)cos，T表示正切函數(shù)tan，I表示反正弦函數(shù)asin，R表示反余弦函數(shù)acos，N表示反正切函數(shù)atan，P表示冪函數(shù)pow，Q表示平方根函數(shù)sqrt，E表示自然數(shù)為底的指數(shù)函數(shù)exp，A表示絕對(duì)值函數(shù)abs，G表示符號(hào)函數(shù)sign，L表示自然對(duì)數(shù)函數(shù)ln，B表示以10為底的對(duì)數(shù)函數(shù)lg，D表示雙曲正弦函數(shù)sinh，F(xiàn)表示雙曲余弦函數(shù)cosh，H表示雙曲正切函數(shù)tanh；

步驟S21中所述終結(jié)符集包括多維終結(jié)字符以及常數(shù)終結(jié)字符集；

其中多維終結(jié)字符T為：

T＝{a，b，c，d，e，f，g，h，i}；

其中多維終結(jié)符集T中的各元素分別代表多維變量中每個(gè)自變量，在檢驗(yàn)人體運(yùn)動(dòng)模型時(shí)將各變量所對(duì)應(yīng)的實(shí)際值代入人體運(yùn)動(dòng)模型中；

其中常數(shù)終結(jié)符集C為：C＝{1000，-1000}。

優(yōu)選的，其特征在于，TIS插串操作的過(guò)程如下：

當(dāng)關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列有效長(zhǎng)度m＝1時(shí)，即關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的根位置是一個(gè)常數(shù)，此時(shí)，從關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列根位置開(kāi)始到第[L/4]位變異為隨機(jī)得來(lái)的函數(shù)符串；其中[L/4]表示L/4取整數(shù)部分，L為關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的長(zhǎng)度；同時(shí)關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列頭部的其它字符依次后移，超出頭部長(zhǎng)度的字符串刪除；其中L為關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的長(zhǎng)度，h為關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列頭部的長(zhǎng)度；

當(dāng)關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列效長(zhǎng)度1<m<h時(shí)，在關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列有效位的最后一個(gè)函數(shù)符后面插入h-m個(gè)隨機(jī)得來(lái)的函數(shù)符串，關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列頭部插入點(diǎn)后的其他字符依次后移，超出頭部長(zhǎng)度的字符串刪除。

優(yōu)選的，所述步驟S3中，對(duì)于各關(guān)節(jié)點(diǎn)J_i(i＝1,2...,N)，N為樣本中關(guān)節(jié)點(diǎn)的總數(shù)，記得到的人體運(yùn)動(dòng)模型為z_i＝F_i(x,y,t)；步驟S3中提取人體運(yùn)動(dòng)模型的模型特征具體過(guò)程如下：

等距地取k個(gè)時(shí)刻記為t_j,j＝1,2,…,k；

計(jì)算各關(guān)節(jié)點(diǎn)的梯度信息和i＝1,2,…,N；j＝1,2,…,k；其中分別表示第i個(gè)關(guān)節(jié)點(diǎn)在第t_j時(shí)刻對(duì)應(yīng)的x,y坐標(biāo)值；

將上述計(jì)算得到的各關(guān)節(jié)點(diǎn)梯度信息和i＝1,2,…,N；j＝1,2,…,k作為人體運(yùn)動(dòng)模型為z_i＝F_i(x,y,t)的模型特征。

更進(jìn)一步的，所述步驟S5中通過(guò)各訓(xùn)練樣本的人體運(yùn)動(dòng)模型的模型特征訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型的具體過(guò)程如下：

S51、首先建立單隱層神經(jīng)網(wǎng)絡(luò)框架，將步驟S4中得到各訓(xùn)練樣本的人體運(yùn)動(dòng)模型的模型特征i＝1,2,…,N；j＝1,2,…,k作為神經(jīng)網(wǎng)絡(luò)的輸入訓(xùn)練樣本集，其中設(shè)置N×2k個(gè)輸入神經(jīng)網(wǎng)絡(luò)，設(shè)置隱層神經(jīng)元個(gè)數(shù)為N×4k+1個(gè)；根據(jù)人體行為包括的類別數(shù)M設(shè)置輸出神經(jīng)元個(gè)數(shù)為M個(gè)，即輸出向量為{c₁,c₂,…,c_s,…,c_M}，其中c_s∈R，且取值區(qū)間為[0,1]，當(dāng)c_s＝max{c₁,c₂,…,c_M}時(shí)，c_s取為1，即神經(jīng)網(wǎng)絡(luò)輸出向量為{0,0,…,1,…,0}，表示人體行為屬于第s類行為；

S52、設(shè)置神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率η為0～1之間的隨機(jī)數(shù)，且神經(jīng)網(wǎng)絡(luò)變換函數(shù)f(x)設(shè)置為Sigmoid函數(shù)，學(xué)習(xí)規(guī)則為連續(xù)感知器學(xué)習(xí)規(guī)則，利用誤差反向傳播算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到神經(jīng)網(wǎng)絡(luò)模型。

優(yōu)選的，其特征在于，所述步驟S5中，針對(duì)于各訓(xùn)練樣本的人體運(yùn)動(dòng)模型的模型特征，作為神經(jīng)網(wǎng)絡(luò)的輸入，通過(guò)十拆交叉驗(yàn)證法訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型，作為最終的人體行為分類器。

本發(fā)明相對(duì)于現(xiàn)有技術(shù)具有如下的優(yōu)點(diǎn)及效果：

(1)本發(fā)明人體行為識(shí)別方法針對(duì)獲取到的人體行為深度圖像，從中分別提取出人體多個(gè)關(guān)節(jié)點(diǎn)各自對(duì)應(yīng)的三維時(shí)間序列數(shù)據(jù)作為一個(gè)樣本，然后利用自反饋基因表達(dá)式編程對(duì)樣本進(jìn)行建模，得到各樣本基于關(guān)節(jié)點(diǎn)的人體運(yùn)動(dòng)模型，并且提取人體運(yùn)動(dòng)模型的梯度信息作為模型特征。獲取到訓(xùn)練樣本集后，將訓(xùn)練樣本集中訓(xùn)練樣本對(duì)應(yīng)的人體運(yùn)動(dòng)模型的模型特征輸入至神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型作為人體行為分類器；獲取到測(cè)試樣本后，將測(cè)試樣本對(duì)應(yīng)的人體運(yùn)動(dòng)模型的模型特征輸入至上述獲取的人體行為分類器中，通過(guò)該人體行為分類器得到人體行為識(shí)別結(jié)果。本發(fā)明采用由現(xiàn)有技術(shù)中的基因表達(dá)式編程(GEP)在交叉、變異操作后再加入TIS插串操作構(gòu)造得到自反饋基因表達(dá)式編程對(duì)樣本進(jìn)行建模，其中TIS插串操作指的是在關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列頭部插入函數(shù)符串，用于增加關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列有效位的長(zhǎng)度，從而可以以增加種群個(gè)體的均勻性，使其更能快速的收斂到問(wèn)題的全局最優(yōu)解，避免陷入局部最優(yōu)解。因此本發(fā)明中采用自反饋基因表達(dá)式編程對(duì)樣本進(jìn)行建模能夠有效提高人體行為識(shí)別的準(zhǔn)確度以及識(shí)別的速度。

(2)本發(fā)明中將對(duì)于特定行為具有代表性的梯度信息作為人體運(yùn)動(dòng)模型中的模型特征，相比現(xiàn)有技術(shù)中采用全局或者局部運(yùn)動(dòng)特征作為模型特征，本發(fā)明的模型特征能夠更準(zhǔn)確的反映出人體行為運(yùn)動(dòng)，大大減少特征復(fù)雜度，提高特征代表性以及識(shí)別正確率。

(3)本發(fā)明使用微軟體感設(shè)備Kinect結(jié)合第二代SDK以及OpenCV計(jì)算機(jī)視覺(jué)庫(kù)獲取人體行為深度圖像，能有效提高數(shù)據(jù)精度，在一定程度上解決現(xiàn)有技術(shù)中使用傳統(tǒng)攝像設(shè)備識(shí)別效率低、識(shí)別效果受環(huán)境因素影響大以及佩戴關(guān)節(jié)傳感器成本高、使用不方便等技術(shù)問(wèn)題；

附圖說(shuō)明

圖1是本發(fā)明方法流程圖。

圖2是本發(fā)明方法中自反饋基因表達(dá)式編程建立人體運(yùn)動(dòng)模型流程圖。

圖3是本發(fā)明方法中自反饋基因表達(dá)式編程建立人體運(yùn)動(dòng)模型過(guò)程中建立的表達(dá)式樹(shù)圖。

圖4是圖3中表達(dá)式樹(shù)圖的生成過(guò)程。

具體實(shí)施方式

下面結(jié)合實(shí)施例及附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)的描述，但本發(fā)明的實(shí)施方式不限于此。

實(shí)施例

本實(shí)施例公開(kāi)了一種基于自反饋基因表達(dá)式編程的人體行為識(shí)別方法，其特征在于，如圖1所示，步驟如下：

S1、獲取人體行為深度圖像，然后從人體行為深度圖像中分別提取出人體N個(gè)關(guān)節(jié)點(diǎn)各自對(duì)應(yīng)的三維時(shí)間序列數(shù)據(jù)，作為一個(gè)樣本，即一個(gè)樣本中包括人體N個(gè)關(guān)節(jié)點(diǎn)的三維時(shí)間序列數(shù)據(jù)；其中在本實(shí)施例中使用微軟體感設(shè)備Kinect結(jié)合第二代SDK以及OpenCV計(jì)算機(jī)視覺(jué)庫(kù)獲取人體行為深度圖像，利用TOF(Time Of Flight，飛行時(shí)間)技術(shù)，計(jì)算微軟Kinect傳感器中紅外傳感器發(fā)射的紅外光線到達(dá)人體后反射的相位差，得到基于關(guān)節(jié)點(diǎn)的人體行為深度圖像。各個(gè)關(guān)節(jié)點(diǎn)對(duì)應(yīng)的三維時(shí)間序列數(shù)據(jù)是以微軟體感設(shè)備Kinect的紅外傳感器為原點(diǎn)所建立的空間直角坐標(biāo)系得到的，該空間直角坐標(biāo)系包括x軸、y軸和z軸，其中x軸正方向?yàn)槠叫杏谖④涹w感設(shè)備Kinect水平方向向左，y軸正方向?yàn)榇怪庇谖④涹w感設(shè)備Kinect傾斜方向向上，z軸正方向?yàn)槲④涹w感設(shè)備Kinect朝向方向。本步驟中在獲取到人體行為深度圖像后，將人體行為深度圖像中的人體與背景進(jìn)行分割，然后轉(zhuǎn)化為骨架追蹤系統(tǒng)，從而獲取人體的多個(gè)關(guān)節(jié)點(diǎn)三維時(shí)間序列數(shù)據(jù)在本實(shí)施例中N為25，即從人體行為深度圖像中分別提取出人體25個(gè)關(guān)節(jié)點(diǎn)對(duì)應(yīng)的三維時(shí)間序列數(shù)據(jù)。

S2、利用自反饋基因表達(dá)式編程對(duì)樣本進(jìn)行建模，獲取到樣本對(duì)應(yīng)的各關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列，從而得到各樣本基于關(guān)節(jié)點(diǎn)的人體運(yùn)動(dòng)模型；其中所述自反饋基因表達(dá)式編程(SGEP)由基因表達(dá)式編程(GEP)在交叉、變異操作后再加入TIS插串操作構(gòu)造得到，其中TIS插串操作指的是在關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列頭部插入函數(shù)符串，用于增加關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列有效位的長(zhǎng)度增長(zhǎng)。

S3、提取人體運(yùn)動(dòng)模型的梯度信息作為模型特征；對(duì)于各關(guān)節(jié)點(diǎn)J_i(i＝1,2...,N)，記得到的人體運(yùn)動(dòng)模型為z_i＝F_i(x,y,t)；步驟S3中提取人體運(yùn)動(dòng)模型的模型特征具體過(guò)程如下：

等距地取k個(gè)時(shí)刻記為t_j,j＝1,2,…,k；

計(jì)算各關(guān)節(jié)點(diǎn)的梯度信息和i＝1,2,…,N；j＝1,2,…,k；其中分別表示第i個(gè)關(guān)節(jié)點(diǎn)在第t_j時(shí)刻對(duì)應(yīng)的x,y坐標(biāo)值；

將上述計(jì)算得到的各關(guān)節(jié)點(diǎn)梯度信息和i＝1,2,…,N；j＝1,2,…,k作為人體運(yùn)動(dòng)模型為z_i＝F_i(x,y,t)的模型特征。

S4、通過(guò)步驟S1獲取到訓(xùn)練樣本集，并且各訓(xùn)練樣本通過(guò)步驟S2的方式獲取到各訓(xùn)練樣本的人體運(yùn)動(dòng)模型，然后通過(guò)步驟S3的方式提取各訓(xùn)練樣本的人體運(yùn)動(dòng)模型的模型特征。

S5、將各訓(xùn)練樣本的人體運(yùn)動(dòng)模型的模型特征作為神經(jīng)網(wǎng)絡(luò)的輸入，通過(guò)設(shè)置神經(jīng)網(wǎng)絡(luò)的層數(shù)、神經(jīng)元的個(gè)數(shù)、初始化權(quán)值參數(shù)以及選擇梯度下降優(yōu)化算法，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型作為最終的人體行為分類器；具體過(guò)程如下：

S51、首先建立單隱層神經(jīng)網(wǎng)絡(luò)框架，將步驟S4中得到各訓(xùn)練樣本的人體運(yùn)動(dòng)模型的模型特征i＝1,2,…,N；j＝1,2,…,k輸入至神經(jīng)網(wǎng)絡(luò)，其中設(shè)置N×2k個(gè)輸入神經(jīng)網(wǎng)絡(luò)，設(shè)置隱層神經(jīng)元個(gè)數(shù)為N×4k+1個(gè)；根據(jù)人體行為包括的類別總數(shù)M設(shè)置輸出神經(jīng)元個(gè)數(shù)為M個(gè)，即輸出向量為{c₁,c₂,…,c_s,…,c_M}，其中c_s∈R，1,2,…,s,…,M分別表示人體行為所屬類別，且取值區(qū)間為[0,1]，當(dāng)c_s＝max{c₁,c₂,…,c_M}時(shí)，c_s取為1，即神經(jīng)網(wǎng)絡(luò)輸出向量為{0,0,…,1,…,0}，表示人體行為屬于第s類行為；

S52、設(shè)置神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率η為0～1之間的隨機(jī)數(shù)，且神經(jīng)網(wǎng)絡(luò)變換函數(shù)f(x)設(shè)置為Sigmoid函數(shù)，即f(x)＝1/(1+e^-x)，學(xué)習(xí)規(guī)則為連續(xù)感知器學(xué)習(xí)規(guī)則，利用誤差反向傳播算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到神經(jīng)網(wǎng)絡(luò)模型。

在本步驟中，對(duì)于各訓(xùn)練樣本的人體運(yùn)動(dòng)模型的模型特征，作為神經(jīng)網(wǎng)絡(luò)的輸入，通過(guò)十拆交叉驗(yàn)證法訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型，作為最終的人體行為分類器。

S6、通過(guò)步驟S1獲取到測(cè)試樣本，并且測(cè)試樣本通過(guò)步驟S2的方式獲取到測(cè)試樣本的人體運(yùn)動(dòng)模型，然后通過(guò)步驟S3的方式提取測(cè)試樣本的人體運(yùn)動(dòng)模型的模型特征。

S7、將測(cè)試樣本的人體運(yùn)動(dòng)模型的模型特征輸入至步驟S5中獲取到的人體行為分類器中，通過(guò)該人體行為分類器得到人體行為識(shí)別結(jié)果。

本實(shí)施例上述步驟S2中，如圖2所示，自反饋基因表達(dá)式編程對(duì)樣本進(jìn)行建模，得到各樣本基于關(guān)節(jié)點(diǎn)的人體運(yùn)動(dòng)模型的具體過(guò)程如下：

S21、確定人體運(yùn)動(dòng)模型所需的函數(shù)符集和終結(jié)符集以及終結(jié)符個(gè)數(shù)，并設(shè)定循環(huán)終止條件，然后進(jìn)入步驟S22；其中本步驟中函數(shù)符集F為：

F＝{S，C，T，I，R，N，P，Q，E，A，G，L，B，D，F(xiàn)，H}

其中函數(shù)符集F中的各元素代表含義如下：

S表示正弦函數(shù)Sin，C表示余弦函數(shù)cos，T表示正切函數(shù)tan，I表示反正弦函數(shù)asin，R表示反余弦函數(shù)acos，N表示反正切函數(shù)atan，P表示冪函數(shù)pow，Q表示平方根函數(shù)sqrt，E表示自然數(shù)為底的指數(shù)函數(shù)exp，A表示絕對(duì)值函數(shù)abs，G表示符號(hào)函數(shù)sign，L表示自然對(duì)數(shù)函數(shù)ln，B表示以10為底的對(duì)數(shù)函數(shù)lg，D表示雙曲正弦函數(shù)sinh，F(xiàn)表示雙曲余弦函數(shù)cosh，H表示雙曲正切函數(shù)tanh；

即函數(shù)符集F為：F＝{Sin，cos，tan，asin，acos，atan，pow，sqrt，exp，abs，

sign，ln，lg，sinh，cosh，tanh}

本步驟中終結(jié)符集包括多維終結(jié)字符以及常數(shù)終結(jié)字符集；

其中多維終結(jié)字符T為：

T＝{a，b，c，d，e，f，g，h，i}；

其中多維終結(jié)符集T中的各元素分別代表多維變量中每個(gè)自變量，在檢驗(yàn)人體運(yùn)動(dòng)模型時(shí)將各變量所對(duì)應(yīng)的實(shí)際值代入人體運(yùn)動(dòng)模型中；其中常數(shù)終結(jié)符集C為：C＝{1000，-1000}。

本步驟中循環(huán)終止條件通常設(shè)置為以下條件之一：

(1)代表構(gòu)造整個(gè)人體運(yùn)動(dòng)運(yùn)動(dòng)模型的種群的演化次數(shù)達(dá)到了一定值；

(2)代表整個(gè)人體運(yùn)動(dòng)運(yùn)動(dòng)模型的種群最優(yōu)個(gè)體的適應(yīng)值達(dá)到預(yù)先設(shè)定的值，或在一定演化次數(shù)內(nèi)沒(méi)有變化。

S22、創(chuàng)建隨機(jī)關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列初始種群，將種群中各關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列為基因表達(dá)式樹(shù)，即ET樹(shù)；其中初始種群即為初始的人體運(yùn)動(dòng)模型，由各關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列構(gòu)成，而關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列又是由函數(shù)符集和終結(jié)符集組成；其中終結(jié)符集中包括關(guān)節(jié)點(diǎn)三維時(shí)間序列數(shù)據(jù)中時(shí)間t，關(guān)節(jié)點(diǎn)三維時(shí)間序列數(shù)據(jù)坐標(biāo)分量等；

本步驟中將各關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列表達(dá)式轉(zhuǎn)變?yōu)榛虮磉_(dá)式樹(shù)的過(guò)程如下：

將隨機(jī)生成的關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的首個(gè)符號(hào)作為表達(dá)式的根節(jié)點(diǎn)；

按順序依次將關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的字符通過(guò)廣度遍歷的方法為每個(gè)元素集函數(shù)符或終結(jié)符生成樹(shù)結(jié)點(diǎn)，其中，子結(jié)點(diǎn)的數(shù)目即為該結(jié)點(diǎn)應(yīng)含參數(shù)的個(gè)數(shù)(終結(jié)符及無(wú)參函數(shù)所需參數(shù)個(gè)數(shù)即為0，子結(jié)點(diǎn)的代表值依照序列中符號(hào)順序填充補(bǔ)齊。

本實(shí)施例中的關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列代表演化算法中的基因，比如第i個(gè)關(guān)節(jié)點(diǎn)為J_i，某個(gè)行為下在某一時(shí)刻t該關(guān)節(jié)點(diǎn)的坐標(biāo)數(shù)據(jù)為通過(guò)第i個(gè)關(guān)節(jié)點(diǎn)的三維時(shí)間序列數(shù)據(jù)可以獲取到，如是一個(gè)合法的序列，其中Q表示函數(shù)符開(kāi)方，帶下劃線的部分為基因尾部，不帶下劃線的部分為基因頭部。圖3與之對(duì)應(yīng)的表達(dá)式樹(shù)。其中圖4A至4G所示為圖3的表達(dá)式樹(shù)的生成過(guò)程。

S23、計(jì)算種群中各關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的適應(yīng)值，然后通過(guò)相對(duì)誤差估計(jì)模型或絕對(duì)誤差模型對(duì)種群中各關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列對(duì)環(huán)境的適應(yīng)能力進(jìn)行評(píng)估，在評(píng)估結(jié)果符合條件的情況下，從種群選擇出一定數(shù)量的個(gè)體作為父體；并且判斷是否滿足循環(huán)終止條件，若滿足，則跳轉(zhuǎn)到S26，否則進(jìn)入步驟S24；

其中本步驟中所使用的相對(duì)誤差估計(jì)模型為：

其中本步驟中所使用的絕對(duì)誤差估計(jì)模型為：

其中n為種群中提取的關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列驗(yàn)證樣本的總數(shù)，f_i表示關(guān)節(jié)點(diǎn)J_i運(yùn)動(dòng)序列的適應(yīng)度值，R為一常數(shù)，(0，R)為適應(yīng)度值控制的范圍；P_(i,j′)是利用關(guān)節(jié)點(diǎn)J_i對(duì)應(yīng)的運(yùn)動(dòng)序列所求出的第_j′個(gè)關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列驗(yàn)證樣本的函數(shù)值，Y_j′是第_j′個(gè)關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列驗(yàn)證樣本的真實(shí)值；

采用二范數(shù)(是指空間上兩個(gè)向量矩陣的直線距離)，形如:來(lái)評(píng)價(jià)當(dāng)前模型的好壞，其中是預(yù)測(cè)向量，Y是實(shí)際值向量。在本步驟中當(dāng)f_i無(wú)限趨近于n*R時(shí)，即相對(duì)誤差估計(jì)模型和絕對(duì)誤差估計(jì)模型中|P_(i,j′)-Y_j′|無(wú)限趨近于0時(shí)的情況下，則在本步驟中判斷評(píng)估結(jié)果符合條件。

S24、根據(jù)步驟S23選擇出的父體，對(duì)種群中的個(gè)體進(jìn)行基因表達(dá)式編程的交叉、變異操作；

S25、對(duì)種群個(gè)體進(jìn)行TIS插串操作，得到下一代種群個(gè)體，回到步驟S23；

S26、輸出模型，得到最優(yōu)染色體所表示的函數(shù)表達(dá)式，即關(guān)節(jié)點(diǎn)的人體運(yùn)動(dòng)模型。

關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列由頭部和尾部組成，關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的長(zhǎng)度是指頭部和尾部的長(zhǎng)度之和，關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列中有效長(zhǎng)度一般小于關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的長(zhǎng)度。設(shè)關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列頭部的長(zhǎng)度是h，尾部的長(zhǎng)度為I，則關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列頭部的長(zhǎng)度h和關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列尾部的長(zhǎng)度I之間的關(guān)系可以定義為：

I＝h(n-1)+1；

其中，上式中，n表示函數(shù)符集合中所含參數(shù)目數(shù)最多的函數(shù)符的參數(shù)目數(shù)數(shù)量。如此規(guī)定是為了保證關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的長(zhǎng)度足夠且序列不會(huì)由于長(zhǎng)度原因?qū)е路欠ǖ默F(xiàn)象。

其中關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列中有效長(zhǎng)度的計(jì)算步驟如下：

1)建立兩個(gè)指針p、q指向關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的第一個(gè)符號(hào)；

2)如果指針p指向的是函數(shù)符，則指針q后移，后移的位數(shù)為該函數(shù)符所需參數(shù)個(gè)數(shù)；

3)指針p后移1位；

4)如果指針p不在指針q之后，返回第2)步；

5)計(jì)算關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的有效長(zhǎng)度位數(shù)，從關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列第一個(gè)符號(hào)位起到指針q所指向的符號(hào)位止即為有效序列，其長(zhǎng)度即為序列的有效長(zhǎng)度；

在本實(shí)施例中上述TIS插串操作過(guò)程包括如下：

當(dāng)關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列有效長(zhǎng)度m＝1時(shí)，即關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的根位置是一個(gè)常數(shù)，此時(shí)，從關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列根位置開(kāi)始到第[L/4]位變異為隨機(jī)得來(lái)的函數(shù)符串；其中[L/4]表示L/4取整數(shù)部分；同時(shí)關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列頭部的其它字符依次后移，超出頭部長(zhǎng)度的字符串刪除；其中L為關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的長(zhǎng)度，h為關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列頭部的長(zhǎng)度。

例如某關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列為：ab*/aba+*aababbbbbaba，其中帶橫線部分為關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的尾部，而未帶橫線部分為關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的頭部，a、b、c分別代表關(guān)節(jié)點(diǎn)J_i的坐標(biāo)數(shù)據(jù)該關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的長(zhǎng)度L＝21，其頭部長(zhǎng)度h＝10，尾部長(zhǎng)度I＝11，通過(guò)該序列可以得出其有效長(zhǎng)度m＝1，滿足m＝1，根據(jù)上述TIS插串操作，從根位置開(kāi)始到第[L/4]位變異為隨機(jī)得來(lái)的函數(shù)符串，即將關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的第一個(gè)位置開(kāi)始至第五個(gè)位置變異為隨機(jī)得到的函數(shù)字符串，若隨機(jī)得到的函數(shù)字符串為*-+QS，則進(jìn)行TIS插串操作后，該關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列變?yōu)?-+QS ab*/aababbbbbaba，其中關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的第一個(gè)位置開(kāi)始至第五個(gè)位置變異為*_*SQ的同時(shí)，其頭部的ab*/aba+*后移，后移后超出頭部長(zhǎng)度的字符串ba+*被刪除。由TIS插串操作后的該關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列*-+QS ab*/aababbbbbaba，可以得知該關(guān)關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的有效位變?yōu)榱?3。

當(dāng)關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列效長(zhǎng)度1<m<h時(shí)，在關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列有效位的最后一個(gè)函數(shù)符后面插入h-m個(gè)隨機(jī)得來(lái)的函數(shù)符串，關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列頭部插入點(diǎn)后的其他字符依次后移，超出頭部長(zhǎng)度的字符串刪除；

例如某關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列為：+b/ababa+*ababbbbaba，其中帶橫線部分為關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的尾部，而未帶橫線部分為關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的頭部，該關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的長(zhǎng)度L＝21，其頭部長(zhǎng)度h＝11，尾部長(zhǎng)度I＝10，通過(guò)該序列可以得出其有效長(zhǎng)度m＝5，有效位為+b/ab，滿足1<m<h，根據(jù)上述TIS插串操作，在有效位的最后一個(gè)函數(shù)符/后插入h-m＝5各隨機(jī)得到的函數(shù)字符串，若隨機(jī)得到的函數(shù)字符串為*_*SQ，則進(jìn)行TIS插串操作后，該關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列變?yōu)?b/*_*SQ abababbbbaba，其中*_*SQ插入后，頭部的ababa+*后移，后移后超出頭部長(zhǎng)度的字符串a(chǎn)ba+*被刪除。由TIS插串操作后的該關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列為+b/*_*SQ abababbbbaba，可以得知該關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列的有效位變?yōu)?4，有效長(zhǎng)度越長(zhǎng)就越能保證種群個(gè)體分布的均勻性，能更好的避免算法吸入局部最優(yōu)解。

當(dāng)關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列有效長(zhǎng)度為m>＝h，不做任何操作；

由上述可見(jiàn)，本實(shí)施例采用由現(xiàn)有技術(shù)中的基因表達(dá)式編程(GEP)在交叉、變異操作后再加入TIS插串操作構(gòu)造得到自反饋基因表達(dá)式編程對(duì)樣本進(jìn)行建模，在建模過(guò)程中通過(guò)TIS插串操作增加關(guān)節(jié)點(diǎn)運(yùn)動(dòng)序列有效位的長(zhǎng)度，從而可以以增加種群個(gè)體的均勻性，使其更能快速的收斂到問(wèn)題的全局最優(yōu)解，避免陷入局部最優(yōu)解。因此本實(shí)施例方法采用自反饋基因表達(dá)式編程對(duì)樣本進(jìn)行建模能夠有效提高人體行為識(shí)別的準(zhǔn)確度以及識(shí)別的速度。同時(shí)，本實(shí)施例對(duì)于特定行為具有代表性的梯度信息作為人體運(yùn)動(dòng)模型中的模型特征，相比現(xiàn)有技術(shù)中采用全局或者局部運(yùn)動(dòng)特征作為模型特征，本實(shí)施例提取的模型特征能夠更準(zhǔn)確的反映出人體行為運(yùn)動(dòng)，大大減少特征復(fù)雜度，提高特征代表性以及識(shí)別正確率。

上述實(shí)施例為本發(fā)明較佳的實(shí)施方式，但本發(fā)明的實(shí)施方式并不受上述實(shí)施例的限制，其他的任何未背離本發(fā)明的精神實(shí)質(zhì)與原理下所作的改變、修飾、替代、組合、簡(jiǎn)化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。