任子良，秦 勇，黎志雄

（東莞理工學(xué)院 計(jì)算機(jī)學(xué)院，廣東 東莞　523808）

基于擴(kuò)展卡爾曼濾波的人體行為識(shí)別算法

任子良，秦 勇，黎志雄

（東莞理工學(xué)院 計(jì)算機(jī)學(xué)院，廣東 東莞523808）

針對(duì)人體行為事件，研究了多傳感器數(shù)據(jù)采集模型和擴(kuò)展卡爾曼濾波優(yōu)化算法的應(yīng)用。系統(tǒng)將加速度傳感器分量數(shù)據(jù)映射為三維加速度空間，并與壓力傳感器數(shù)據(jù)結(jié)合建立四維實(shí)時(shí)數(shù)據(jù)采集空間。基于系統(tǒng)的模型特征，提出了非線性系統(tǒng)下的擴(kuò)展卡爾曼濾波算法。系統(tǒng)利用優(yōu)化算法對(duì)數(shù)據(jù)實(shí)現(xiàn)最優(yōu)估計(jì)，并依據(jù)傳感器信噪比對(duì)優(yōu)化數(shù)據(jù)進(jìn)一步修正，之后在系統(tǒng)設(shè)定的傳感器信任級(jí)別和融合權(quán)重的基礎(chǔ)上完成人體行為識(shí)別。實(shí)驗(yàn)結(jié)果表明，本文算法可以提高數(shù)據(jù)空間的精度和平滑度，可對(duì)人體行為進(jìn)行有效識(shí)別。

傳感器數(shù)據(jù)；人體行為；擴(kuò)展卡爾曼濾波；優(yōu)化算法；加權(quán)融合

最優(yōu)狀態(tài)估計(jì)方法被廣泛應(yīng)用于參數(shù)估計(jì)、系統(tǒng)控制、數(shù)據(jù)融合等領(lǐng)域?？柭鼮V波（Kalman Filter）作為最優(yōu)狀態(tài)估計(jì)的常用無偏估計(jì)方法，可以有效處理線性系統(tǒng)問題。對(duì)于弱非線性系統(tǒng)問題，可將系統(tǒng)線性化后再進(jìn)行卡爾曼優(yōu)化處理。

日常生活中，人體活動(dòng)的行為可描述為靜止、走路、跑步、跳躍和跌倒等。針對(duì)人體行為的識(shí)別，常用方法有基于人體點(diǎn)模型匹配方法和基于狀態(tài)空間的識(shí)別方法等。而所有方法均需要對(duì)系統(tǒng)參數(shù)或采集的數(shù)據(jù)進(jìn)行優(yōu)化估計(jì)處理，以降低系統(tǒng)噪聲干擾和提高系統(tǒng)估計(jì)精度，達(dá)到提高系統(tǒng)整體可靠性的目的。

本文建立了弱非線性系統(tǒng)模型，提出了擴(kuò)展卡爾曼濾波和信任級(jí)別權(quán)重融合相結(jié)合的算法來對(duì)人體行為進(jìn)行識(shí)別。所采用的擴(kuò)展卡爾曼濾波算法（Extended Kalman Filter）對(duì)數(shù)據(jù)空間進(jìn)行二階優(yōu)化估計(jì)可達(dá)到二階精度。算法先將系統(tǒng)模型的觀測(cè)方程做線性化處理，應(yīng)用擴(kuò)展卡爾曼濾波優(yōu)化算法處理實(shí)時(shí)數(shù)據(jù)，并以數(shù)據(jù)協(xié)方差來修正，進(jìn)一步在傳感器信任級(jí)別的基礎(chǔ)上進(jìn)行權(quán)重融合和人體行為識(shí)別。

1　系統(tǒng)模型

本文系統(tǒng)采用三軸加速度傳感器和壓力傳感器采集人體行為數(shù)據(jù)，可映射為一非線性二階離散系統(tǒng)。

依據(jù)加速度基本物理原理，將人體行為中的矢量加速度以g=9.8 m/s2為單位映射到三維加速度空間，其三維方向上分量分別為Gx、Gy和Gz如圖1所示。壓力傳感器采集人體壓力數(shù)據(jù)F，與加速度矢量一并構(gòu)成系統(tǒng)模型所需的四維狀態(tài)數(shù)據(jù)空間（Gx，Gy，Gz，F(xiàn)）T。

圖1　三維加速度空間映射圖Fig.1　Three-dimensional acceleration space mapping

系統(tǒng)建模為如下二階非線性離散系統(tǒng)，包括過程方程和非線性觀測(cè)方程：

其中，Xk=（Gx，Gy，Gz，F(xiàn)）T為系統(tǒng)采集的離散數(shù)據(jù)向量，wk為數(shù)據(jù)向量所對(duì)應(yīng)的過程噪聲，vk為對(duì)應(yīng)的系統(tǒng)測(cè)量噪聲，Ak為單位系數(shù)矩陣，h（Xk）為系統(tǒng)的二階、多參數(shù)非線性映射。通過求h（Xk）的雅克比矩陣得出系統(tǒng)的線性化系數(shù)矩陣Hk。

根據(jù)EKF算法，得到系統(tǒng)模型的過程方程和線性化觀測(cè)方程為：

其中k為數(shù)據(jù)離散采集時(shí)間步長(zhǎng)，wk～（0，Qk）和vk～（0，Rk）表示過程噪聲和觀測(cè)噪聲，協(xié)方差矩陣分別為Qk和Rk。

2　算法建模

根據(jù)系統(tǒng)模型對(duì)四維矢量數(shù)據(jù)采集和處理的需要，本文設(shè)計(jì)算法流程如圖2所示。

圖2　人體行為識(shí)別流程圖Fig．2　Flow chart of human action recognition

算法處理步驟如下：

1）系統(tǒng)依據(jù)傳感器特性分別對(duì)采集數(shù)據(jù)的加速度傳感器和壓力傳感器進(jìn)行數(shù)據(jù)空間的初始化。

2）加速度傳感器和壓力傳感器分別循環(huán)采集離散數(shù)據(jù)，構(gòu)成四維矢量數(shù)據(jù)并輸出。系統(tǒng)根據(jù)采集的四維矢量數(shù)據(jù)和采樣頻率，分別設(shè)置迭代次數(shù)為600次和迭代步長(zhǎng)為0．02 s。

傳統(tǒng)青花本身就是當(dāng)時(shí)社會(huì)文化的具體反應(yīng)，它對(duì)現(xiàn)實(shí)的寫照，是客觀存在的。因此每一件青花瓷器物的產(chǎn)生，它的背景都蘊(yùn)含著深厚的歷史文化及審美。作為人類的精神產(chǎn)物，它上面的總總反應(yīng)，如題材，繪制技法都是不可磨滅的。因此，我們?cè)谟矛F(xiàn)代青花進(jìn)行創(chuàng)作時(shí)候絕不能一味否定過去，而是應(yīng)該帶著歷史發(fā)展的眼光對(duì)待。

3）擴(kuò)展卡爾曼優(yōu)化算法處理數(shù)據(jù)空間矢量值，得到優(yōu)化估計(jì)值。分別對(duì)系統(tǒng)進(jìn)行時(shí)間更新和量測(cè)更新。

①時(shí)間更新

②線性化測(cè)量方程系數(shù)矩陣，得到測(cè)量更新的近似線性系數(shù)矩陣Hk。

③量測(cè)更新

其中，Kk和Rk分別表示卡爾曼增益矩陣和量測(cè)噪聲矩陣，其噪聲與Qk同樣由傳感器信噪比SNR=40 dB給出。系統(tǒng)所采集的離散矢量數(shù)據(jù)不斷迭代優(yōu)化，以得到量測(cè)更新值即收斂于實(shí)際值的優(yōu)化估計(jì)值。

4）依據(jù)傳感數(shù)據(jù)的信噪比和噪聲協(xié)方差矩陣對(duì)數(shù)據(jù)進(jìn)行加權(quán)修正。

則對(duì)EKF迭代優(yōu)化值修正為：

5）依據(jù)各傳感器信任級(jí)別和融合權(quán)重進(jìn)行人體行為識(shí)別。

根據(jù)人體行為識(shí)別的有效性和對(duì)采集數(shù)據(jù)矢量分量的依賴程度，設(shè)置數(shù)據(jù)空間各分量的信任級(jí)別為A、B、C、D，對(duì)應(yīng)的權(quán)重分別為P（A）、P（B）、P（C）、P（D），且P（A）+P（B）+P（C）+P（D）=1，得到系統(tǒng)識(shí)別人體行為的最終判別數(shù)據(jù)為：

3　系統(tǒng)實(shí)驗(yàn)與分析

系統(tǒng)模型以k=0．02 s為時(shí)間步長(zhǎng)，離散采集走路、跑步、跳躍和跌倒等人體行為數(shù)據(jù)。在對(duì)采集到的數(shù)據(jù)EKF仿真過程中，分別對(duì)每種行為數(shù)據(jù)截取150組數(shù)據(jù)來迭代優(yōu)化和修正，數(shù)據(jù)對(duì)比如圖3所示。

從圖3可知，人體行為中走路的X軸、Y軸和Z軸加速度分量值取值區(qū)間為［0，0．8］、［-0．3，0．38］和［0．1，0．8］，跑步分量取值區(qū)間為［-0．5，0．5］、［-0．2，0．7］和［-0．1，1．3］，跳躍分量取區(qū)間為［-0．5，0．7］、［-0．1，0．5］和［0，1．7］，跌倒分量取值區(qū)間為［-0．1，1．7］、［-0．2，1］和［-0．1，1．3］。因?yàn)閴毫?shù)據(jù)只有當(dāng)?shù)箷r(shí)才為零，因此截取跑步行為數(shù)據(jù)如圖3（d）所示。

圖3　人體行為加速度仿真圖Fig．3　Acceleration of human action simulation

通過對(duì)比各種人體行為的取值范圍和頻率可知，跑步和跳躍的取值大小近似，跳躍有兩次數(shù)據(jù)顯著變化，跌倒數(shù)據(jù)有一次顯著變化且跌倒后壓力數(shù)據(jù)為零。系統(tǒng)通過式（9）計(jì)算R值，并依據(jù)給定的閾值范圍進(jìn)行人體行為識(shí)別。

表1為本文走路、跑步、跳躍與跌倒各實(shí)驗(yàn)50次的人體行為識(shí)別情況：

表1　實(shí)驗(yàn)結(jié)果Tab.1 Test result of experiment

實(shí)驗(yàn)中，走路速度加快后將產(chǎn)生跑步誤判，跑步速度加快會(huì)被誤識(shí)別為跳躍；若跳躍幅度小則會(huì)產(chǎn)生跌倒誤判或者跑步誤判，而跌倒速度大將產(chǎn)生跳躍誤判，實(shí)驗(yàn)結(jié)果與常識(shí)相符。

4　結(jié)束語

本文基于人體行為建立四維數(shù)據(jù)采集空間模型，給出了非線性系統(tǒng)下的過程狀態(tài)方程和測(cè)量方程。根據(jù)傳感器信噪比和信任級(jí)別針對(duì)此模型提出了有效的人體行為識(shí)別算法。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)算法可對(duì)數(shù)據(jù)的進(jìn)行有效處理，數(shù)據(jù)處理后更加平滑和準(zhǔn)確，可對(duì)人體行為進(jìn)行有效識(shí)別。在系統(tǒng)識(shí)別過程中對(duì)魯棒性影響較大的數(shù)據(jù)將出現(xiàn)在跳躍、跌倒等加速度數(shù)據(jù)變化近似的行為中，當(dāng)走路、跑步、跳躍和跌倒速度變化過大時(shí)，將產(chǎn)生系統(tǒng)誤判。如何進(jìn)一步提高系統(tǒng)穩(wěn)定性和擴(kuò)展對(duì)人體其他行為的識(shí)別是下一步研究重點(diǎn)。

［1］甘玲，陳頫．人體行為分析方法的研究與仿真［J］．計(jì)算機(jī)仿真，2013，9（30）：419-423．

［2］楊宏，吳旭光．卡爾曼濾波算法在多傳感器融合技術(shù)中的應(yīng)用［J］．彈箭與制導(dǎo)學(xué)報(bào)，2009，5（29）：251-254．

［3］谷軍霞，丁曉青，王生進(jìn)．基于人體行為3D模型的2D行為識(shí)別［J］．自動(dòng)化學(xué)報(bào)，2010，1（36）：46-53．

［4］梁丁文，袁磊，蔡之華，等．基于無跡卡爾曼濾波傳感器信息融合的車輛導(dǎo)航算法［J］．計(jì)算機(jī)應(yīng)用，2013，33（12）：3444-3448．

［5］石欣，熊慶宇，雷珞寧．基于壓力傳感器的跌倒檢測(cè)研究［J］．儀器儀表學(xué)報(bào)，2010，31（3）:66-70．

［6］D M Karantonis，M R Narayanan，M Mathie，etal．Implementation of a real-time human movement classifier using a 3-axial accelerometer for ambulatory monitoring［J］．IEEE Transactions on Information Technology in Biomedicine，2006，10 （1）:156-167．

［7］趙海勇，李程友．基于多特征融合的運(yùn)動(dòng)人體行為識(shí)別［J］．計(jì)算機(jī)應(yīng)用研究，2012，29（08）3169-3172．

［8］M N Nyan，F(xiàn)rancis E H TAY，M Manimaran，etal．Garmentbased detection of falls and activities of daily living using 3 axis MEMS accelerometer［J］．Journal of Physics:Conference Series，2006（34）:1059-1067．

［9］Mebekse Aydin，Metin Gokasan，Seta Bogosyan．Fuzzy based parameter tuning of EKF observers for sensorless control of induction motors［J］．IEEE SPEEDAM，2014（10）:174-1179．

［10］WANG Xingbo，WANG Xiaotao，ZHANG Huanshui．Target tracking in wireless sensor networks using sequential implementation of the extended kalman filter［J］．IEEE Chinese Automation Congress（CAC），2013:132-137．

Activity events recognition algorithm based on extended Kalman filter

REN Zi-liang，QIN Yong，LI Zhi-xiong
（School of Computer，Dongguan University of Technology，Dongguan523808，China）

By studying the model of multi-sensor data acquisition and Kalman filter，a new nonlinear algorithm for human action recognition is proposed in this paper.The acceleration sensor data is mapping to a three-dimensional space，which combined with pressure sensor data to form the four-dimensional data space.Then，the extended Kalman filter is used to process the combined data and revise the processed data.After that，system identifies human action based on trust level and weight fusion.The simulation results demonstrated that the algorithm can improve the accuracy of the sensor and effective identify the human action.

sensors data；human action；extended Kalman filter；optimization algorithm；weight fusion

TN911.23

A

1674－6236（2016）02-0015-03

2015-04-07稿件編號(hào)：201504056

廣東省教育廳科技創(chuàng)新項(xiàng)目（2013KJCX0178）；東莞市科技計(jì)劃項(xiàng)目基金（2012108102007）

任子良（1984—），男，河南汝州人，碩士。研究方向：傳感器網(wǎng)絡(luò)、信號(hào)重構(gòu)與盲源分離。