[论文解读] Highly Efficient Human Action Recognition with Quantum Genetic Algorithm Optimized Support Vector Machine

Ya‐Feng Liu, Shimin Feng+2 more|arXiv (Cornell University)|Nov 27, 2017

Human Pose and Action Recognition参考文献 2被引用 7

一句话总结

该论文提出了一种基于量子遗传算法（QGA）优化的支持向量机（SVM）方法，用于利用Kinect获取的3D关节数据进行人体动作识别。通过使用关节角度方差表示动作，并利用QGA优化SVM参数，该方法在MSR-12数据集上实现了96.15%的准确率，较传统网格搜索SVM提高了2.3%，证明了通过量子启发式优化可显著提升分类效率与准确率。

ABSTRACT

In this paper we propose the use of quantum genetic algorithm to optimize the support vector machine (SVM) for human action recognition. The Microsoft Kinect sensor can be used for skeleton tracking, which provides the joints' position data. However, how to extract the motion features for representing the dynamics of a human skeleton is still a challenge due to the complexity of human motion. We present a highly efficient features extraction method for action classification, that is, using the joint angles to represent a human skeleton and calculating the variance of each angle during an action time window. Using the proposed representation, we compared the human action classification accuracy of two approaches, including the optimized SVM based on quantum genetic algorithm and the conventional SVM with grid search. Experimental results on the MSR-12 dataset show that the conventional SVM achieved an accuracy of $ 93.85\% $. The proposed approach outperforms the conventional method with an accuracy of $ 96.15\% $.

研究动机与目标

• 提升基于传感器的骨骼数据在人体动作识别中的准确率与效率。
• 解决传统方法中SVM参数选择最优性不足的问题，该问题限制了分类性能。
• 探索量子启发算法在提升动作识别机器学习性能中的应用。
• 提出一种基于关节角度动态变化的特征表示方法，降低维度同时保留运动信息。
• 验证量子遗传算法相较于传统网格搜索在优化SVM超参数方面在人体动作分类中的优越性。

提出的方法

• 从Microsoft Kinect提取3D关节位置以实现骨骼追踪，每段动作序列形成60维向量。
• 计算相邻三关节组（如髋部、肩部及相邻肢体关节）之间的关节角度，以动态表示骨骼姿态。
• 计算每个关节角度在动作时间窗口内的方差，以捕捉运动动态，使数据维度降低约1/3。
• 使用量子遗传算法（QGA）在定义的搜索空间内优化SVM的惩罚参数C和径向基函数（RBF）核参数σ。
• QGA实现参数为：种群大小80，60位量子表示，搜索范围：C ∈ [2⁻², 2⁴]，σ ∈ [2⁻⁴, 2⁴]，利用量子并行性实现更快收敛。
• 直接在22维特征向量上训练和测试SVM分类器，无需降维处理，确保计算可行性与可扩展性。

实验结果

研究问题

• RQ1 时间序列上的关节角度方差是否能有效表征人体运动动态以用于动作识别？
• RQ2 与网格搜索相比，QGA对SVM参数的优化是否能显著提升分类准确率？
• RQ3 在人体动作识别背景下，QGA的计算效率与传统网格搜索相比如何？
• RQ4 QGA在参数空间中的探索在多大程度上提升了SVM分类模型的泛化能力与准确率？
• RQ5 所提出的特征表示与QGA-SVM流程能否扩展至更复杂的人体动作，而不仅限于基础动作？

主要发现

• 所提方法在MSR-12数据集上使用QGA优化的SVM实现了96.15%的分类准确率，优于传统网格搜索SVM的93.85%。
• QGA方法在保持合理时间复杂度的前提下，准确率提升了2.3个百分点，证明了量子启发优化的有效性。
• QGA收敛迅速——几乎在两代内即达到最优性能，表明其具有快速收敛与强鲁棒性搜索能力。
• 混淆矩阵显示，基于QGA的分类对“投掷”动作达到100%准确率，对“双臂上举”动作达到92.86%，误分类极少。
• 通过使用关节角度方差，将特征维度从60维降低至22维，提升了计算效率，且未损失准确率。
• QGA在相近时间内探索的参数空间远大于网格搜索，从而实现更优的超参数选择，提升模型泛化能力。