VR艺术媒体交互环境下基于线性判决和SVM的动作识别方法技术

本发明专利技术涉及一种VR艺术媒体交互环境下基于线性判决和SVM的动作识别方法，首先在线性判别分析中引入核函数进行非线性投影以便将训练样本映射到一个高维子空间中，得到最佳分类特征向量，从而有效解决了非线性问题并且扩大了样本差异。并采用遗传算法实现SVM的参数搜索优化，充分利用了遗传算法在多维空间寻优方面的优势。测试结果表明，与其他多种分类识别算法相比，提出方法在人体动作识别的多个性能指标上均表现出良好的分类效果，具有较高的识别准确率和更好的鲁棒性。

Action Recognition Method Based on Linear Decision and SVM in VR Art Media Interactive Environment

【技术实现步骤摘要】
VR艺术媒体交互环境下基于线性判决和SVM的动作识别方法
本专利技术涉及VR
，特别是一种VR艺术媒体交互环境下基于线性判决和SVM的动作识别方法。
技术介绍
在计算机技术快速发展的今天，各种先进的多媒体技术层出不穷。由于具有“身临其境”的真实感,虚拟现实技术(Virtualreality，VR)能够以更加自然和逼真的人机交互方式，给用户带来全新的体验经历。基于VR技术的各种多媒体应用已经逐渐成为了未来文化、艺术和娱乐市场的发展热点方向，例如虚拟购物社区、沉浸式虚拟现实游戏、虚拟景观漫游和虚拟艺术舞台表演等。其中，艺术场景下的多媒体人机交互技术需要对人体动作进行实时、准确地捕获和识别，以便达到更好的交互效果和艺术感官体验。为了使得人与计算机之间可以更加自然、有效地交流，动作识别交互系统需要能够对各种复杂的、变化的人体动作进行准确识别。数字表演过程中，肢体语言相对于自然语言常常能表达出演员最真实的情感，因而虚拟环境下，对人机交互动作的准确识别尤其显得十分重要。现阶段，主流的人体动作识别方法主要采用机器视觉技术，涉及图像处理、模式识别、机器学习等先进计算机学科的知识。其中，基于时空特征的图像处理方法和基于表述特征的机器学习方法均具有较高的鲁棒性，成为了目前研究的主流。虽然计算复杂度较高，但是两种动作识别方法能够识别连续动作和交互动作。本专利技术选择的研究方向为基于机器学习的方法。例如，采用Kinect体感器，文献[石祥滨,刘拴朋,张德园.基于关键帧的人体动作识别方法[J].系统仿真学报,2015,27(10):2401-2408.]提出了一个基于关键帧的骨架特征的人体动作识别方法。该方法采用K-均值聚类算法提取人体动作视频序列中的关键帧及两种特征，并利用SVM分类器对动作序列进行分类。文献[秦勤,李艳玮.基于DSP的人体手势动作实时识别系统[J].电子技术应用,2014,40(7):75-78.]提出了一种基于DSP的便携式人体手势动作实时识别系统，采用了小波包主元分析和线性判别分析(LinearDiscriminantAnalysis，LDA)相结合的策略。以上方法均在人体动作识别方面达到了一定的精准度及效率。但是VR多媒体艺术场景下的人体动作更加复杂、变化更不规律，导致动作数据是海量的、高维的(非线性特征信息)，所以其空间特征提取需要在降低维数的同时尽可能多的体现各种动作类型。此外，SVM分类器参数优化还具有一步提升的空间。
技术实现思路
有鉴于此，本专利技术的目的是提出VR艺术媒体交互环境下基于线性判决和SVM的动作识别方法，能够提高VR人机交互应用中的人体动作识别准确率。本专利技术采用以下方案实现：一种VR艺术媒体交互环境下基于线性判决和SVM的动作识别方法，通过非线性变换将原始训练数据样本映射到高维特征空间H，然后在H中进行线性决策分析，得到最佳分类特征向量；采用遗传算法实现SVM分类器的参数搜索优化，利用优化后的SVM分类器实现动作分类识别。进一步地，所述通过非线性变换将原始训练数据样本映射到高维特征空间H具体为：步骤S11：设非线性映射φ(X)将X映射到高维特征空间H，产生其中表示H中样本矢量；步骤S12：设定核矩阵为其中，中的Fisher准则函数J(w)为：式中，w是核空间投影向量，w＝φ(X)a，a＝[a1,...,aN]T，是类内散布矩阵，与的表达式如下：式中，ui为中第i个样本的平均值,u为总的平均值；步骤S13：将Fisher准则函数J(w)改写为：式中，Kt表示内核的总体散布矩阵,Kb表示内核类别之间的散布矩阵，分别采用下式计算：Kt＝Kw+Kb；其中，Kw为一个内核类内散布矩阵，Ni表示属于类i的列索引，c表示全局中心；步骤S14：设Aopt表示最大化Kw的表达式的一组最优解的特征向量，从等式w＝φ(X)a得到核空间投影矩阵：Wopt＝φ(X)Aopt；对于任何样本点，其在内核空间中的投影由下式给出：进一步地，所述采用遗传算法实现SVM分类器的参数搜索优化具体为：采用遗传算法来优化SVM分类器的罚因子参数C和核函数参数σ；其中遗传算法中交叉搮作选用浮点数编码：式中，a表示一个取值范围为(0,1)的随机数；其中，釆用均匀变异算子进行变异操作，针对所有变异点从相关基因值的规定区间中选择一个随机值更新原始基因值：X′＝Umin+r(Umax-Umin)；式中，r表示一个取值范围为(0,1)的随机数，Umax表示基因位的取值上限，Umin表示基因位的取值下限；适应度函数为：式中，E表示误差平方和，b表示一个常数；上述过程以是否搜索完毕为终止条件，当搜索完毕时，记录最优的罚因子参数C和核函数参数σ来更新SVM分类器。本专利技术首先在线性判别分析中引入核函数进行非线性投影以便将训练样本映射到一个高维子空间中，得到最佳分类特征向量，从而有效解决了非线性问题并且扩大了样本差异。并采用遗传算法实现SVM的参数搜索优化，充分利用了遗传算法在多维空间寻优方面的优势。测试结果表明，与其他多种分类识别算法相比，提出方法在人体动作识别的多个性能指标上均表现出良好的分类效果，具有较高的识别准确率和更好的鲁棒性。与现有技术相比，本专利技术有以下有益效果：本专利技术在LDA中引入核函数进行非线性投影以便将训练样本映射到一个高维子空间中，得到最佳分类特征向量，有效解决了非线性问题并且扩大了样本差异，并降低了向量空间的维数，提升运行效率。此外，本专利技术采用遗传算法实现SVM的参数搜索优化，充分利用了遗传算法在多维空间寻优方面的优势，进一步提高识别率。实验结果验证了本专利技术提出的方法具有有效性和准确性。附图说明图1为本专利技术实施例的方法流程图。图2为本专利技术实施例的虚拟现实系统结构示意图。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。如图1所示，本实施例提供了一种VR艺术媒体交互环境下基于线性判决和SVM的动作识别方法，通过非线性变换将原始训练数据样本映射到高维特征空间H，然后在H中进行线性决策分析，得到最佳分类特征向量；采用遗传算法实现SVM分类器的参数搜索优化，利用优化后的SVM分类器实现动作分类识别。较佳的，线性判别分析是一种常用于特征提取的线性方法。LDA算法对光照和姿态的变化不敏感，因此被广泛应用于图像识别任务中。但是，诸如传统LDA算法基本上是线性的。由于VR场景下的人体动作的复杂性和差异性，无法提取隐藏在动作数据中的一些重要的高维非线性特征信息。因此，本实施例引入LDA算法中的核函数，用于非线性投影以提取表达特征。结合遗传优化的SVM分类器，最终实现了复杂动作分类识别。在人体动作数据提取应用中,设A为动作矩阵，在LDA算法中A是具有类标签的满秩矩阵：A＝[a1.本文档来自技高网...

【技术保护点】
1.一种VR艺术媒体交互环境下基于线性判决和SVM的动作识别方法，其特征在于，通过非线性变换将原始训练数据样本映射到高维特征空间H，然后在H中进行线性决策分析，得到最佳分类特征向量；采用遗传算法实现SVM分类器的参数搜索优化，利用优化后的SVM分类器实现动作分类识别。

【技术特征摘要】
1.一种VR艺术媒体交互环境下基于线性判决和SVM的动作识别方法，其特征在于，通过非线性变换将原始训练数据样本映射到高维特征空间H，然后在H中进行线性决策分析，得到最佳分类特征向量；采用遗传算法实现SVM分类器的参数搜索优化，利用优化后的SVM分类器实现动作分类识别。2.根据权利要求1所述的VR艺术媒体交互环境下基于线性判决和SVM的动作识别方法，其特征在于，所述通过非线性变换将原始训练数据样本映射到高维特征空间H具体为：步骤S11：设非线性映射φ(X)将X映射到高维特征空间H，产生其中表示H中样本矢量；步骤S12：设定核矩阵为其中，中的Fisher准则函数J(w)为：式中，w是核空间投影向量，w＝φ(X)a，a＝[a1,...,aN]T，是类内散布矩阵，与的表达式如下：式中，ui为中第i个样本的平均值,u为总的平均值；步骤S13：将Fisher准则函数J(w)改写为：式中，Kt表示内核的总体散布矩阵,Kb表示内核类别之间的散布矩阵，分别采用下式计算：Kt＝Kw+Kb；其中，Kw为一个内核类内散布矩阵，Ni表...

【专利技术属性】
技术研发人员：张福泉，
申请(专利权)人：闽江学院，
类型：发明
国别省市：福建,35