行为识别系统

行为识别系统（共9篇）

行为识别系统 篇1

监控设备将人体的数据实时传送至处理器, 进行处理识别, 从而做出智能判断, 是目前信息学科研究的主要课题。由传统的人的观察, 转变为机器识别, 是目前研究的热点问题。

监控设备对监控对象的数据进行分析, 从而判断出对象的行为类型。过去监控的数据比较单一, 而某种特定的行为, 它表现的特征是多方面的。所以, 该文考虑从多个角度来检测, 从而建立不同行为的数据模型。通过多次数据的输入, 模型的检测能力越来越精确。尤其是对运动、休息这两个极端的行为, 判断率较高。

该文提出了识别系统的数据预处理方法, 通过小波变换, 将数据进行预处理。该文提出了在校学生的的平行结构和特征的提取模块, 最后通过实验给出结论。

1 数据预处理

系统处理的数据, 需要先进行数据的预处理。数据的预处理保证了进入系统的数据是有效的。该系统采用的数据预处理方法是小波变换的去除噪声方法。

数据预处理是非常重要的, 因为它为下一步提供了有效的数据。在这里, 采用的是基于小波变换的去除噪声方法。

小波变换的去噪声方法, 使用的是多分辨率分析算法。它将信号分解成不同的时间和频率。多分辨率分析算法能够在信号高频的时候, 产生高时低频, 而在信号低频的时候, 产生低时的高频。小波分解之后, 可以得到细节和逼近的系数。

小波变换去噪声法的去噪过程分为两个步骤:第一步, 应用小波变换生成噪声小波的系数;第二步, 选择适当的阈值来有效地去除噪声。

离散小波变换使用多分辨率分析算法 (MRA) 将信号分解成不同的时间和频率。 多分辨率分析算法能够在高频时提供高时低频, 并在低频时提供低时高频。小波分解得到细节和逼近系数。一般来说, 去噪有3个步骤, 首先应用小波变换产生噪声小波系数, 其次在每一级选择适当的阈值来最有效地去除噪声, 最后用新的系数生成逆小波变换, 得到去噪后的信号。

此外, 如果两者之间的一些数据丢失, 小波变换也可以根据信号的性质扩展信号来完善它。

2特征提取模型

2.1 基于HMM的模型结构

通常情况下, 只有一个传感器, 是不可以获取观测对象的行为的足够的观测数据的。对于行为观测, 不要几种不同的传感器才可以完成。比如笔者希望获得学生的心跳与体温这两组数据, 那么需要两种传感器来获取相关的数据。通过将多种类型的数据进行联合分析, 将比用单一的数据来分析, 获得更加确切的行为识别结果。因此, 有必要采用在一般情况下, 一个单一的传感器不能获得对应于一种特定的人类行为的足够的观测数据。在这种情况下, 使用几种不同的传感器可以完成观测。例如, 两者的心脏的跳动传感器和温度传感器, 分别用于获得的心脏的跳动和体温的数据。几个变量的联合分析比单一的变量更加有利于人的行为识别。因此, 有必要采用分类或建模方法来融合这些功能。该架构集成了一种可能性决策树的分层, 该分层应用于变化环境中的实时行为监测。

层次结构有3个重要的因素: (1) 数据预处理; (2) 包括层1和层2的隐马尔可夫模型; (3) 应用概率决策树的观测序列处理在线分割。然而, 在某些情况下, 在一个系统中, 几个数据预处理的步骤可以在同一时间处理, 并且并行处理多种检测值。即层次结构可以被转化为一个平行的结构。在第四节的实验表明, 这种体系结构适用于多个目标。这种结构采用数据预处理和数据合作分析过程。数据联合处理的步骤是基于隐马尔可夫模型。最后, 输出该结构的分析结果。

2.2 个人多行为模块

在不同在校学生行为中, 他 (她) 的心脏跳动, 体温变化是不一样的。例如, 当处于休息时, 心脏跳动速度较慢, 体温也比较低。而当一个学生专注于一个体育活动时, 他 (她) 的心脏跳动会更快, 体温也会升高。这两个信号的组合, 使得它能够检测在校学生的日常行为。

通常情况下, 在校学生的日常行为可以分为几种:吃饭、运动、学习、休息。在每一种情况下, 心脏的跳动和体温的信号具有相应的规律。Ha是心脏跳动信号的统计期望, H是某一次检测实例的心跳值, Ta是体温信号的统计期望, T是某一次测试实例的体温值, △H是心脏的跳动信号的最大耐受值, △T是温度信号的最大耐受值。在这里, △H△T均为经验值。

If ( (|H-Ha|>△H) and (|T-Ta|>△T) )

可能处于运动或者学习;

If ( (|H-Ha|<△H) and (|T-Ta|<△T) )

可能处于休息或者学习;

If ( (|H-Ha|<-△H) and (|T-Ta|<-△T) )

休息。

3 实验结果分析

以在校学生为对象, 通过检测学生的心跳和体温, 获得了他们的行为信号, 包括心脏跳动, 体温信号。由于传感器收集到的原始数据有噪声或者丢失, 因此在第二节中采用小波扩展方法进行数据预处理。

为了获得更加可靠的数据资源, 通过离散小波变换方法来消除噪音, 因此对结果有影响的噪声已被删除。

接下来可以识别在校学生的行为类型, 该文采用第二节中提到的个人多行为模块对在校学生中的测试数据进行建模。在这个过程中, 需要一些基于HMM的经验阈值, 如Ha′△H, Ta′△T和向前-向后算法以及维特比算法来处理日常行为的基线模块。

表1给出了在实验中五个行为类型的训练数据, 为了验证以上方法的准确度, 用另外一组数据来测试。另外一组检测实例数据对上述方法进行验证。表2列出了实验中不同行为的识别率。由此得出结论, 该方法对于运动的行为识别率较高。

4 结语

该文提出了一种基于HMM的并行模型结构和个人多行为模块应用于行为理解的方法。为了获得强大的训练数据, 采用小波去噪方法, 对原始数据中的噪声信号进行预处理。在该方法中, 两种传感器数据经验值作为阈值, 一些典型的算法被用来解决模块问题, 如向前-向后算法。实验结果表明, 该方法对五种行为类型是有效的。

摘要：在校学生有多种行为, 比如:运动、学习、休息等。这些行为可以被监控设备记录。通过基于马尔可夫模型的行为识别系统, 可以检测学生的行为类型。该系统的检测数据, 在进入系统前, 采用小波变换的方法进行过滤, 去除掉一些错误的数据。该系统检测学生的身体指标, 比如心跳、血压、体温等, 通过分析这些指标, 系统可以识别出学生的行为类型, 比如:学习、活动、休息等。通过对多个学生的检测数据输入系统, 进行试验, 最后得出该系统对于运动和休息的检测准确率较高。

关键词：行为识别系统,隐马尔可夫模型,离散小波变换

参考文献

[1]Shih-Yang Chiao, Costas SXydeas.Modelling Competitive Behaviours by a Hierarchical HMMArchitecture[C]//Annual PGNet Proceeding Symposium on Telecommunications, Networking, and Broadcasting, Liverpool, UK.2003:285-287

[2]Shih-Yang Chiao, Costas SXydeas.Modeling Behaviours of Players in Competitive Environment[C]//IEEE/WIC International Conference on Intelligent Agent Technology, Halifax, Canada.2003:566-569.

[3]Shih-Yang Chiao, Costas SXydeas.Using Hierarchical HMMs in Dynamic Behavior Modeling[C]//Proceedings of Seventh International Conference on Information Fusion, Fusion 2004.Stockholm, Sweden.2004:576-582.

[4]DLDonoho, IM Johnstone.Ideal de-noising in an orthonormal Basis Chosen From A Library of Bases[J].C.R.Acad.Sci.Paris, S’er I, 1994, 319 (12) :1317-1322.

[5]Chitrakar R, Huang Chuanhe.Anomaly detection using support vector machine classification with K-medoids clustering[C]//Internet (AH-ICI) , 2012 Third Asian Himalayas International Conference on 2012 IEEE.2012:1-5.

行为识别系统 篇2

行为识别（BIS）是CIS的动态识别形式，它的核心在于CIS理念的推行，将企业内部组织机构与员工的行为视为一种理念传播的符号，通过这些动态的因素传达企业的理念、塑造企业的形象。CK在导入CIS时必须把企业及其员工的行为习惯作为突破口和着力点，通过不断打破旧的不良习惯，建立起CK新的行为模式，从而实现CK员工真正的观念转化和素质提升。

行为识别（BIS）系统主要由两大部分构成：

一、企业对内行为模式，包括行为基准、形象要求、着装规范、语言规范和企业内部环境的营造等。

二、企业对外行为模式，包括服务行为规范、公共关系等。行为识别的目标，是通过行为识别系统的各类规范进行教育训练，使员工的行为规范化，符合CK价值观和现代企业制度的要求。企业在处理对内、对外关系和日常经营服务活动中，表现出符合自身价值观的行为准则和行为规范，有利于推进CK组织转型和建立现代企业制度，有利于形成良好内外关系和提升组织效率，有利于提高服务水平和打造品牌。行为识别与理念识别、视觉识别相互交融，形成品牌在新时期的具有时代特点的企业文化。

CK企业行为归根结底是人的行为。对内企业行为主要是指企业主体人在企业内部生产、经营、生活中所有的活动表现。企业导入CIS后，如何用全新的理念精神去指导、影响、约束员工的行为，制定出与之相匹配的、系统规范的管理制度和行为规范，通过教育培训等形式，在企业建立现代的行为模式，形成良好的生产经营秩序，塑造全新企业形象，创新企业文化，是建立企业内部行为模式的重要内容和目标。

一、销售人员行为准则

第一条 每位员工都要有高度的责任心和事业心,处处以公司的利益为重, 为公司的发展努力工作。

第二条 树立服务意识，始终面向市场，面向用户, 牢记“用户第一”的原则，主动、热情、周到的为顾客服务，努力让顾客满意。

第三条 员工要具备创新能力，通过培养学习新知识使个人素质与公司发展保持同步。

第四条 讲究工作方法和效率，明确效率是企业的生命。

第五条 要有敬业和奉献精神，满负荷、快节奏、高效率是对所有员工提出的敬业要求。

第六条 具有坚韧不拔的毅力，要有信心有勇气战胜困难、挫折。

第七条 要善于协调，融入集体，有团队合作精神和强烈的集体荣誉感。第八条 要注意培养良好的职业道德和正直无私的个人品质。第九条 明确公司的奋斗目标和个人工作目标。

第十条 员工应服从公司的组织领导与管理，对未经明示事项的处理，应请示上级，遵照指示办理。

第十二条 员工应严格保守公司的经营、财务、人事、技术等机密。第十三条 不利用工作时间从事第二职业或与工作无关的活动。第十四条 不得损毁或非法侵占公司财务。第十五条 员工必须服从上级命令，有令即行。如有正当意见，应在事前陈述如遇同事工作繁忙，必须协同办理，应遵从上级指挥，予以协助。

第十六条 在公众面前做到仪表整洁，举止端庄，行为检点，谈吐得体。切记每位员工的言行是公司形象和风貌的体现。第十七条 遵纪守法。

二、形象要求

销售人员形象标准

（一）、销售人员导购仪容、仪表： 头发

① 整齐清洁不可有头屑，可根据波司登服装风格，可适度染发或卷发，发型清新、自然活泼造型不可太过于夸张怪异。

② 女导购头发不可散乱，长发应将其扎起，发型应自然柔顺.③ 男导购不可留胡子、头发梳理整齐、长度适中不宜留太长。化妆

① 自然，亮丽、健康，最好是统一色彩，不要太过于的夸张妖艳。

② 化妆以看上去舒服为根本，用餐后要及时补妆，保持良好的精神面貌，但不可在顾客面前进行。

③ 切忌浓妆艳抹，或使用味道刺激浓烈的化妆品。指甲

① 修剪整齐，不可涂过深或夸张的指甲油。② 指甲最好三天一剪不宜留过长的指甲。③ 双手保持清洁，经常洗手以免弄脏衣物。制服

① 保持清洁整齐，完好、协调、无污渍，扣子齐全,不漏扣、错扣，适当地熨烫。② 店员应穿统一工服，并随季节的变化而调整。

③ 制服，领口、袖口保持清洁平整无污垢，不可卷起袖口，④ 衬衣下摆束入裤腰和裙腰内,袖口扣好,内衣不外露 鞋袜

① 鞋子必须统一穿黑色矮跟皮鞋。保持干净无灰垢、卫生。鞋面洁净 ② 袜子的颜色应与鞋子相协调，保持清洁和每日替换。④ 袜子应高于裤脚，不得将袜口暴露在外。饰物

① 项链、手链只能佩戴一条、款式不可过于夸张没有尖锐刺角不勾衣服。② 耳环 只可戴小巧贴耳类型的耳环。

③ 戒指只可戴小巧非镶嵌型的且只可戴一只。

④ 不准佩戴有尖锐刺角等类型的饰物或嵌钻的戒指，防止刮坏家具。

⑤ 饰物佩戴数量不宜过多，一般不超过三个，饰物风格应与品牌风格相似。其他

①店员使用清新淡雅的香水，切忌使用味道过于浓烈刺激的香水。②随时保持口气清新，工作时间不能吃东西或嚼口香糖。③不吃带有刺激性气味的食物。工牌

① 佩带好本人工牌，保持工牌的端正、整洁，② 工牌应统一佩戴于左上胸。

（二）导购仪态

微笑

·微笑原则：不能笑得太夸张，最好在和顾客有三米远的距离里就露出真诚的微笑。（建议微笑时露出8颗牙齿）

·导购应该随时保持心情平静，这时的微笑才会最亲切自然。·真诚的微笑，是对顾客的尊重，顾客的满意是店铺营运成功的根本，正所谓“没有笑脸不开店”。

·对不购买商品的顾客也应笑脸相迎，不要戴着“有色眼镜”看待我们的顾客。·切忌皮笑肉不笑，或者在顾客转身时就停止微笑，这都会给顾客留下虚情假意的感觉，造成顾客的极大反感。

·自信的导购笑容最灿烂，业绩也最好 站姿

·站姿是导购在营业中最基本的体态，讲究端庄、热情、精神、自然。·头正颈直，双眼平视前方，下颚微收，面带笑容。

·双肩平展下压，挺胸收腹，提臀，身体有向上拔的感觉。

·双腿自然并拢，脚跟靠紧，脚掌分开呈V字或丁字，双手虎口交握贴于腹部。·站立时切忌无精打采、东倒西歪、勾肩搭背、斜依物品、东张西望、搔首弄姿、双手插兜、抱胸脱肘等不良姿势 走姿

·协调稳健、轻松敏捷的步态都会给人以美感，轻快而富有节奏的走姿可以给人下有活力、有热情的印象。

·头正颈直，双眼平视前方，下颚微收，面带笑容。

·上身挺直，双肩平稳，腰部、腿部放松，步幅适中，脚步轻快。

·行进方向明确，两脚的内侧落地时，理想的行走路线是脚后跟呈一条线。·行走时切忌弯腰驼背、歪肩晃膀、左右摇摆、左顾右盼。

三、员工心态

销售人员必备心态 1.积极的心态

a.积极的心态就是把好的，正确的方面扩张开来，同时第一时间投入进去。

b.销售中遇到了很多困难，可是应该看到克复这些困难后的一片蓝天。

c.积极的人象太阳，走到那里那里亮, 积极的心态不但使自己充满奋斗的阳光，也会给你身边的人带来阳光。

2.主动的心态

a.社会、企业只能给你提供道具，而舞台需要自己搭建，演出需要自己排练，能演出什么精彩的节目，有什么样的收视率决定权在你自己。

b.主动就是“没有人告诉你而你正做着恰当的事情”。3.空杯的心态

a.要用空杯的心态重新去整理自己的智慧，去吸收现在的、别人的正确的、优秀的东西

b.把自己融入到企业之中，融入到团队之中，否则，你永远是企业的局外人。4.双赢的心态

a.企业首先是一个利润中心，企业都没有了利益，你也肯定没有利益。b.你必须站在双赢的心态上去处理你与企业之间的、企业与商家之间的、企业和消费者之间的关系。

5.包容的心态

a.我们是为客户提供服务的，满足客户需求的

四、语言规范

1、对待客人态度要自然，大方，热情，稳重，有礼，做到笑脸相迎，用好敬语；

2、常说礼貌用语，“您好”“请”“谢谢”“对不起”“不客气”；

3、与客人相遇时，要主动让路；与客人同行时，礼让客人先行；

4、接待客人时面带微笑，与客人谈话时应讲究礼貌，用心聆听，不抢话插话，争辩；批评时不辩解，冷静对待，及时上报；

5、不得以生硬，冷淡的态度待客；

6、电话铃响三声内接听电话，接电话，要先说“您好，CK专卖”。

五、上下班管理规定

1、员工上下班必须打卡；

2、工作时间必须佩带胸卡；

3、不许迟到早退；

4、不许旷工；

5、工作时间坚守岗位，不得做与工作无关的事；

6、不许在销售大厅内化妆；

7、工作时间内，不许在岗位吃东西；

8、不许在销售大厅内吸烟；

9、不许在销售大厅内聊天、看书、看报、睡觉；

10、不许故意损害公物；

11、不许乱放或丢失销售手册；

12、不许随地吐痰，乱丢烟头、纸屑、杂物；

13、不许在工作区域内聚众喝酒，打牌，下棋，玩电子游戏，听收录机；

14、不许违反公司部门规定的工作程序或规章制度；

15、不许高声喧哗；

16、必须保持个人的储物柜内外整洁；

17、工作时间内，不许长时间打私人电话（3分钟）；

18、工作桌面不许乱堆乱放，私人物品或公司文件、资料；

19、未经经理批准，不许私自脱岗，私自外出；

20、未经经理批准，不许到其他部门串岗，干扰同事工作；

21、未经经理批准，不许私自换班；

22、未经经理批准，不许私自向客户或他人提供公司文件及资料；

23、未经经理批准，不许私自收取客户保留金、定金等；

24、应自觉遵守公司各项规章制度；

25、应自觉严格按工作程序处理业务；

26、应尊重客户、领导、同事；

27、应自觉维护公司利益，严守公司秘密；

28、应自觉维护公司荣誉；

29、服从指挥，遵守纪律

30、爱护、正确使用销售手册，工作时，随身携带；

31、按时上下班，按公司规定着装，佩带名牌；

32、接待完客户，自觉清理水杯等杂物，以保持工作区清洁卫生；

33、每天早签到人员应自觉清理工作区卫生；

34、严格执行电话、接待登记制度和日报制度。

六、电话礼仪方面

销售电话应保持有一人接听电话，铃响时应迅速接听电话，不要让电话响多于两次才接听，若你正在接听其他电话，应请与你对话者稍后，再接听正在响的电话，并告诉对方你会尽快回复，或代他人写下口讯，然后再与等侯者继续攀谈。2.接听电话时先向致电者说“你好”，然后用物业全名，接听者必须询问来电者的姓名，除非他是朋友，否则切勿直呼其名，应以先生/小姐（年龄大者称女士）称呼。

3.若同事外出或休息，应代其接听电话，并记下口讯，口讯内容抱括致电者姓名（至少要记下其姓氏，先生/小姐/女士/太太）、电话号码、摘要、并填写在“每日进线电话记录表”上应给对方复述内容，以确保正确无误。

4.若某同事在讲电话，而有电话找他/她时，应请致电者稍侯，然后告诉同事有电话找他/她，该同事则须请对话者稍侯，再接听此电话，或要求同事代其记下口讯。

5.当听不清对方的说话时，切戒问对方“什么”或“找谁”，而应说“请问您找谁/那一位” 或是“对不起，请您再说一次”。

6.与顾客或可能成为顾客之人士结束对话时，应礼貌地向对方说“谢谢，欢迎下次再来”。

七、考勤制度 1.上班时间: 上午9：00至下午17：00；

以上为正常的上班时间，展销期上班时间另作安排，具体上班人员由现场销售经理制定排班表按表执行；每天上班人员按先来后到顺序在售楼处签到本签到。

2.休息安排:每周有一日休息，应轮流休假，销售部星期

六、星期天、促销期间销售人员不得休息。

3.请假：应提前两天申请，经销售经理批准后才可执行。4.病假：请病假须有医院证明，否则不予批准。

5.如公司有重要工作安排，休息时间、上、下班时间另作安排。

6.严格遵守考勤制度，上班时间不准迟到、早退，不得擅自离开工作岗位，如因特殊原因急需离开工作岗位，必须事先征得销售经理同意。

八、处罚制度

1.迟到早退：销售部均按规定作息时间工作。迟到每五分钟扣10元，迟到时间超过30分钟扣当日工资。超过一小时按旷工处理，旷工每次扣100元，一个月旷工三次按除名处理。

2.合同：合同出现失误、笔误,则每次扣罚100元。

3.接待：销售部严禁争客，抢客，如有发生可根据情节轻重扣发工资、奖金。如抢客当时客户在场，发生争吵，无论当事人对错与否，当事人即时按除名处理。4.礼仪：在公司大声喧哗，着装不雅、将脚放到台面，在销售处进餐，吃零食，及不恰当行为。第一次警告处分，第二次罚款50元，第三次罚款100元，超过三次情节恶劣者除名。

行为识别系统 篇3

近年来,国内相继开发了多款变电站视频监控系统[1,2,3]。但变电站视频监控系统的应用也给调度人员带来了新的困扰,因为人的注意力集中时间有限,同时值班调度人员在值班过程中不可避免地受到如电话、到访等其他事情的干扰,这有可能造成重要信息的遗漏;在实际的视频监控系统中,往往一个屏显示多个摄像头传输过来的图像,而且一般一套视频监控系统有多个这样的显示屏,这就要求一个值班人员同时监控多个显示屏,这对值班人员是不小的挑战;监控录像一般先进行保存,事后再进行分析,难以做到实时响应,而且即使是事后分析也是个大问题。

随着多媒体和计算机技术的发展,人们逐渐意识到不仅需要能对变电站的现场环境和设备进行实时视频监控,还需要根据监控内容对一些特定的行为进行识别,使监控系统能够实现自动检测和分析,对特定行为进行实时报警,实现视频监控系统的智能化。

1 行为识别功能设计思路

本系统在普通视频监控系统的基础上,将输入的压缩视频流解码,生成图像数据并进行检测。检测程序启动之后,根据配置的IP地址和socket端口号,连接数字硬盘录像机(DVR)之后,连续接收视频流数据并解码,从而得到当前帧的图像数据。采用行为识别技术的检测程序对图像数据进行相应的行为检测和信息处理,具体的内容如下:

1)如果在某指定区域出现运动物体,发出报警声音,并在播放窗口将运动物体用框图标示,同时将相应的消息发送到主程序窗口。

2)如果有运动物体越过警戒线,则在播放窗口下给出标示,发出报警声音,并将相应的消息发送到主程序,同时对越过警戒线的物体进行一定距离的跟踪并用框图标示。

3)如果检测到进入变电站的工作人员戴有红色安全帽,则用框图标示出该工作人员,并将相应的消息发送到主程序。

本系统的实现采用了开源计算机视觉库OpenCV,它对商业和非商业用途都是完全免费的。OpenCV实现了图像处理和计算机视觉方面的很多通用算法,其中包含了运动目标跟踪的一些功能并提供了丰富的函数。

2 行为识别功能实现中的关键技术

2.1 运动物体检测技术

鉴于变电站背景环境复杂,具有如监控图像中场景较大、运动物体相对较小、运动的人体经常被遮挡或半遮挡、背景由各种各样的电线杆和母线等物体组成等特点,本文采用了基于OpenCV的混合高斯模型进行运动目标检测。

在混合高斯模型中,背景图像的每个像素分别用由K个高斯分布构成的混合高斯模型来建模,即

式中:p为概率密度函数;Xt为像素在时刻t的红绿蓝(RGB)值;K为混合高斯模型中高斯分布的个数,一般为3～5,经过大量的实验,结合本系统的特点,本文选用K=3;wi,t为时刻t混合模型中第i个高斯模型的权系数的估计量;η为高斯分布函数;μi,t和Σi,t分别为时刻t混合模型中第i个高斯分布的均值向量和协方差矩阵。

在实际的监控环境中,有些运动目标并不是运动的人体,而是被风吹动的杂草、飞过的小鸟等。这些运动目标也有可能作为运动前景被提取出来。经过大量的实验分析,发现这些运动目标存在一个共性,即存在的时间很短。因此,在确定有效的运动目标时,本文为每个目标建立了一个表示其生命周期的链表,链表的长度表示了该目标存在的时间长短,只有链表长度达到某个值,即目标存在时间超过一定的数值,才认为该目标为有效运动物体,否则认为该运动目标为干扰物体。

在室外的视频监控中,必然会遇到阴影问题,本文选择文献提出的改进的单高斯背景模型估计算法和快速的阴影消除方法来消除阴影。本系统检测的目标为运动的人体,而人的姿态具有随意性,如站立、行走、下蹲等。因此,在检测到运动目标之后需要对其进行跟踪,从而确定目标在下一帧的位置和大小。CamShift跟踪算法正是一种基于目标颜色特征的跟踪方法,其由于无参数且运算速度快而被广泛应用,是一种比较成熟的目标跟踪算法,被广泛应用到各种场合[6,7]。本文采用了CamShift算法可以比较精确地实现对单个目标、多个目标和简单遮挡情况下目标的跟踪,取得了不错的实际效果。

实际跟踪效果见附录A图A1,其中2位人员分别穿白色和黑色衣服,绿色边框标出了运动人体。

2.2 越界检测技术

进入变电站的工作人员必须在工作区操作,如果翻越工作区,则属于违规操作。为了监测工作人员是否存在此类违规行为,本系统将工作区设置为由多个警戒线围成的区域,如果工作人员越过某个警戒线,则属于违规操作,给出报警提示。在翻越警戒线检测中,以检测线为横坐标建立了一个新的坐标系。利用坐标变换的方式,将运动目标中心在原始图像中的坐标(屏幕坐标,其原点通常在屏幕左上角)转换到该坐标系下,图1为坐标变换示意图。

在图1中,(a,b)为警戒线坐标系原点在原始坐标中的坐标值,警戒线和水平线的夹角为θ。假设运动目标中心在原始图像坐标下的值为(x1,y1),则变换到新的坐标下的值(x1′,y1′)可以由下式给出:

根据式(2)计算出的y1′的符号即可判断出运动目标处在警戒线的哪一侧。

另外,由于警戒线在监控图像中是一个固定区域,而且该区域不应该出现任何运动目标,因此在系统中只针对警戒线周围区域进行检测,从而降低计算量。一旦运动物体越过警戒线,则系统给出提示,并对越过的物体进行一定距离的跟踪。

2.3 红色安全帽检测技术

安全帽检测流程如下:

1)检测是否有运动目标进入变电站。

2)根据运动目标所在位置,通过目标区域顶端的部分区域确定安全帽的准确位置。由于安全帽在视频图像中都呈现为圆形或椭圆形区域,而且必定存在明显边缘,因此,本系统利用Canny算子来提取顶端区域的边缘。如果无法提取边缘,则认为所检测的目标不是有效目标。

3)确定该区域是否确切含有红色像素,即对应了红色安全帽。在对红色像素的判断中,本文采用HSV(hue,saturation,value)空间来描述颜色。HSV颜色空间在数字图像处理的颜色判断中应用广泛,如车牌识别[8,9,10]。

附录A图A2给出了红色安全帽的检测情况,图中红色边框表示检测到的运动物体戴有红色安全帽。

3 结语

通过本文介绍的行为识别技术在变电站视频监控系统中实现了几种行为的识别,从监控系统实现的效果看,达到了设计时的期望。当然,还可以继续对行为识别功能进行扩展,实现对诸如遗留物体、物体的位置变化、运动路径、操作人员是否戴绝缘手套和安全背带等的识别,更好地发挥行为识别技术在变电站视频监控系统中的作用,甚至可考虑在将来实现视频监控系统与数据采集与监控(SCADA)系统/能量管理系统(EMS)的集成,形成多媒体综合指挥调度系统,使变电站的生产管理更加智能化。

本文受福建省电力有限公司科技项目资助(NC200950)。

附录见本刊网络版(http://aeps.sgepri.sgcc.com.cn/aeps/ch/index.aspx)。

参考文献

[1]李功新,林国贤,朱忠勇.变电站远程视频辅助监控系统设计与实现.福建电力与电工,2008,28(3):31-34.LI Gongxin,LI N Guoxian,ZHU Zhongyong.Design and realization of tele-video accessorial system for substations.Fujian Electric Power and Electrical Engineering,2008,28(3):31-34.

[2]姜琴,陈剑云.基于CDMA的变电站移动视频监控系统的设计.工业控制计算机,2008,21(4):41-43.JI ANG Qin,CHEN Jianyun.Design of mobile video surveillance systemfor substation based on CDMA.Industrial Control Computer,2008,21(4):41-43.

[3]肖向东,汤新光,王亚明,等.500kV变电站施工现场视频监控系统方案研究.华东电力,2008,36(1):52-56.XI AO Xiangdong,TANG Xinguang,WANG Yaming,et al.Visual monitoring systems for500kV substation construction fields.East China Electric Power,2008,36(1):52-56.

[4]王丽娟.基于OpenCV与混合高斯建模的运动目标检测.电子测试,2009(9):86-90.WANG Lijuan.Moving objects detection based on OpenCVand Gaussian mixture model.Electronic Test,2009(9):86-90.

[5]王小平,张丽杰,常佶.基于单高斯背景模型运动目标检测方法的改进.计算机工程与应用,2009,45(21):118-120.WANG Xiaoping,ZHANG Lijie,CHANG Ji.I mproved method of moving objects detection based on single-Gaussianbackground model.Computer Engineering and Applications,2009,45(21):118-120.

[6]陈彬.基于CamShift算法的足球机器人目标跟踪算法研究[D].合肥:合肥工业大学,2008.

[7]刘冬冬.基于双目视觉和CamShift算法的目标检测与跟踪[D].济南:山东大学,2006.

[8]陈贤青.基于计算机视觉的车牌定位研究[D].天津:天津大学,2007.

[9]刘鹏.复杂背景下车牌定位与字符分割算法研究[D].大连:大连理工大学,2007.

行为识别系统 篇4

《幼儿问题行为的识别与应对》读后感

“儿童是花朵，教师就是园丁。”当成长的花朵遭遇小问题时，园丁们因该怎么办？作为新教师的我，当我遇到幼儿的问题行为时觉得很迷茫，但当我读完《幼儿问题行为的识别和应对》这本书的时候我便知道了自己应该怎样去应对了。

孩子们的每一步成长，都依赖于成人所提供的环境和养料，环境和养料提供给的不当就会导致儿童出现问题行为。因此，当幼儿的行为出现这种意外的“瑕疵”时，教师首先要从环境和养料入手。有序的环境、适宜的活动和材料、合理的日常常规、适当的期望水平、良好的师生交流等构成了幼儿成长的积极环境，成人正确的教育态度、适当的期望水平、良好的教育习惯、科学的教育方式，调配出了营养丰富的养料。它们两者要融合在一起，以一种潜移默化的方式，引导儿童向理想的方向自然成长。

儿童的每一种问题行为都绝不可能是“无本之木、无源之水”，背后总会有其特定的原因。面对问题行为时，教师首先要进行细致的观察，接着要与孩子的家人进行有效的沟通，以找出问题行为的原因，这样教师采取针对性的处理措施才有了深厚的根基支撑。

书中共有八篇四十九个章节，分为总体的概述一下本书内容，攻击性行为和反社会性行为，捣乱行为，破坏性行为，情绪及依赖行为，社会交往和幼儿园活动中的问题行为，不良饮食行为和多种问题行为。在幼儿出现这些问题行为后，推荐使用的策略应该在一种以儿童为中心的、为儿童设计的活动具有发展适宜性特征且师幼互动积极的环境中实施。做为教师我们必须认识到“困难”儿童只是一些出现问题行为的儿童，而不是一些“坏”孩子。记得以前园长说过，没有问题儿童，只有儿童问题。通过阅读本书，让我清晰的认识到要理解儿童的行为，更重要的是理解引起儿童不适宜行为的原因。我们不能只对儿童的不适宜行为作出反应，我们更不能以简单粗暴的手段来对待儿童。我们有责任去管理儿童的行为，与儿童沟通，发展儿童的道德和自信心，形成积极的训练策略和发展目标。在平常和幼儿的接触中，往往会发现幼儿的很多问题，因为自己的经验匮乏，很多情况下都不知道要如何处理，但是看完这本书之后，让我豁然开朗。每个孩子问题都绝不可能是“无本之木、无源之水”；背后总是有其特定的原因，如果不去探寻这些问题出现的根源，只是把表面切掉、压制。效果只能是适得其反的。孩子们的每一步成长，都依赖于成人所提供的环境和养料，环境和养料提供给的不当就会导致儿童出现问题行为。很多时候，儿童仅仅是因为他们没有意识到自己的行为是不被人们所接受的，才一再表现出某种问题行为。我们不要急于去解决这些问题，纠正孩子的行为，而忽略了儿童问题行为产生的根源。老师在对儿童问题行为的解决时，要进行细致的观察，接着要与孩子的家人进行有效的沟通，以找到问题行为的原因，这样老师采取的解决策略才是有效的。

一点一点看了《幼儿问题行为的识别与应对》这本书之后呢，真的有种如获至宝的感觉。这本书里面有我需要学习的东西，书中的内容可以帮助我合理的处理以及应对工作中遇到的一些小问题。让我清晰的认识到要理解儿童的行为，更重要的是理解引起儿童不适宜行为的原因。我们不能只对儿童的不适宜行为作出反应，我们更不能以简单粗暴的手段来对待儿童。我们有责任去管理儿童的行为，与儿童沟通，发展儿童的道德和自信心，形成积极的训练策略和发展目标。

智能识别与行为分析 篇5

一个国家社会治安情况的好坏, 对该国家的经济和社会的发展是有非常大影响的, 监控系统的产生、发展到最后的普及对社会治安的改善发挥了巨大的作用。最初监控系统的使用大都是在发生某些威胁治安的事情发生之后, 对监控系统所拍摄下来的录像进行查找, 这种使用方法既浪费了时间, 也浪费了很多数据, 没有实现真正意义上的预防效果, 但这些问题在当时的社会背景下, 并不十分明显。

近年来, 威胁社会治安的事件屡屡发生, 例如恐怖袭击、暴力伤人、恶性冲突、抢劫强奸、入室盗窃等等, 于是人们对自身安全问题的保障和社会安全的整体改善的呼声高涨。由于传统的监控系统的诸多弊端无法适应社会的发展和人民群众的需要, 监控系统需要进行技术上的改革和创新。在这种社会背景下, 智能识别与行为分析技术应运而生, 并在短时间内快速发展, 并广泛地应用与社会安防领域。

2 智能识别与行为分析技术的实际应用

2.1 智能识别与行为分析技术在交通系统中的应用

随着社会经济的发展, 城市中的机动车数量逐年增加, 违章停车的现象时有发生, 并且成为了城市管理中难以解决的问题之一, 怎样对机动车驾驶员的操作进行规范, 如何对违反交通法规的的行为进行调查取证和违章查处工作, 是监控系统所必须要解决的问题。如果使用传统的监控系统, 发现违章停车现象时, 相关的执法人员调取监控录像时的工作过程是十分负复杂的, 随着城市道路上的监控设施装设的越来越多, 相关执法人员的工作量也日渐增加, 而且长时间、超负荷的工作使得执法人员的身体和精神状态不堪重负, 导致监控录像查看过程中容易出现疏忽、错看、漏看等问题。所以, 怎样更新传统的监控系统, 使之能够进一步有效查处驾驶员的违章操作问题变得尤为重要。

智能识别与行为分析的视频图像监控系统, 有效地解决了违章停车的抓拍问题。该技术的核心部件是红外高速球机, 具有对违章停车的检测、对违章车辆的抓拍、对违章车辆的自动识别等多种功能。对交通拥挤或事故多发地等特殊的地点可以实现对路段的所有车辆的连续监控功能, 在抓拍违章车辆的过程中, 可以清晰地看到违章车辆的外观以及车牌号码, 同时在所抓拍到的车辆图像上自动记录违章车辆的车型、违章操作的时间、违章的地点等信息。智能识别与行为分析的视频图像监控系统采用互联网技术, 可以将记录的数据通过多种渠道传输到远程控制中心, 也可以实现由人工单独提取相关数据。该项技术全天候二十四小时的连续监控和抓拍为执法人员的工作带来了极大的便利, 同时也在很大程度上减少了交通系统中的违章操作。

2.2 智能识别与行为分析技术在森林防火系统中的应用

随着生态环境问题的日益突出以及“退耕还林、还草”、“建设三北防护林”等政策的实施, 我国的林地面积增长迅速, 对森林的防火工作便成了重中之重。一旦防火工作出现问题, 就很有可能出现森林火灾, 造成大片的森林被焚毁, 不但浪费了资源, 同时由于燃烧过程中产生的烟雾, 对环境也造成了极大的影响。森林火灾一旦发生, 其所产生的严重的后果是无法想象的, 所以, 只要监控系统发出警报, 相关人员就要立即采取灭火措施, 如果对火灾发现的及时, 就可以在很大程度上降低森林火灾所造成的损失。传统的森林火灾监控系统, 视频图像主要是还是由人工进行查看、监视的。工作人员在长时间的监视过程中很容易产生视觉疲劳, 一旦视频图像中小的火情没有及时发现, 很容易出现处理不及时的情况, 加剧了森林火灾的破坏力。将智能识别与行为分析技术应用于森林防火系统中, 可以将摄像机拍摄到的视频图像进行算法分析, 从而实现对烟雾、明火等火灾初期的情况进行自动识别, 并在第一时间发出警报, 从而能够让相关部门及时做出反应, 降低森林火灾所造成的损失。

3 智能识别与行为分析技术发展中所遇到的问题

智能识别与行为分析技术虽然在近几年来发展迅速, 但是如果想要实现完全的智能化, 该项技术依然面临许多问题, 主要包括以下几个方面:

3.1 智能分析算法的需要进一步提高

智能分析算法对许多复杂且异常的行为建模困难;选定目标的特征或背景一旦与某些目标的特征背景较相似就很容易产生信息获取困难的情况;监控跟踪的目标一旦被某些物体所遮挡, 就容易产生跟踪目标的很多信息缺少的情况;一旦跟踪的目标拥有较高的移动速度, 就会使在一定程度上降低跟踪目标的有效性。这些情况的产生会导致报告信息出现错误、报告信息的不完整等问题。

3.2 缺乏该项技术使用的针对性

因为每个行业都具有自身的特点, 所以对智能识别与行为分析技术的使用情况也大不相同, 想要满足不同行业的多样化的使用需求, 就要根据每个行业的特点进一步挖掘该技术的不同功能。

3.3 没有一个统一的行业标准

现今的安防设施生产公司大部分是独立地进行智能识别与行为分析技术的开发及相关技术设备的生产, 没有一个统一的、公认的行业标准, 这在很大程度上影响了使用客户对智能识别与行为分析技术系统进一步发展的信心。

4 结束语

智能识别与行为分析技术未来的发展前景无疑是广阔的, 该技术的发展应该依据社会发展的需要, 大胆进行技术创新, 向着应用行业化、集成化、智能化的方向努力迈进。相信经过科学技术的不断发展, 智能识别与行为分析技术的明天会更加美好。

摘要：随着人们生活水平的不断提高, 人们的安全意识也越来越高, 对社会公共安全也越来越关注, 政府部门也加大了对其的资金投入, 智能识别与行为分析技术的发展对社会公共安全的保障起到了十分积极的作用。本文笔者通过对智能识别与行为分析技术的了解和学习, 阐述了智能识别与行为分析技术的产生和发展, 分析了智能识别与行为分析技术在现实社会中的具体应用, 并对智能识别与行为分析技术在今后发展中的应该解决的问题进行了说明。

关键词：视频图像,智能识别,行为分析,应用与发展

参考文献

[1]周杰.智能视频分析技术初探[J].城市建设理论研究 (电子版) , 2012,

[2]刘忠会, 李长福.地基虚拟加载有限元仿真与智能识别系统研究[J].山西建筑, 2011,

基于视觉的人体行为识别研究 篇6

1人体行为识别常用方法

人体活动是一种非常复杂的运动, 由于人体的活动是非常自由的一种存在, 难以预料, 甚至会随着人体衣着打扮各不相同, 直接导致运动着的人体外观产生很大差异, 这就使我们对其研究时产生了很大的困难。在人体行为识别对技能视频监控, 人体运动分析, 自然人机交互, 虚拟现实等等广泛运用的今天, 我们却始终无法找到专门的系统对人体行为进行识别与分析, 如果将人体行为识别看出一个分类问题, 一般的解决方法如下:

1.基于时空的方法

近几年来愈来愈多的学术专家开始对人体行为识别产生了兴趣, 由于这个领域的缓慢发展, 导致了行为识别的部分专家学者开始着力于对基于时空进行研究, 渴望利用时空兴趣点构成集合用以表示人体行为动作, 对于此类研究我们一般都是使用三维立体来表示图像的特征, 希望可以通过泊松方程的求解特性来进行分析, 通过使用计算机对这些特征的提取识别从而取得较好的识别率。这是一种基于空间和时空特征的混合层次模型的人体识别方式, 如果想要提高识别率的话, 是需要我们通过利用模型的静态形状特征的。

2.基于状态空间的方法

基于状态空间的方法是人体行为识别中另一种较为常用的识别方法, 主要的思想是人体的行为集合成一个状态, 通过每个静态的姿势串联在一起。运用一些动态的概念网络将这些状态联系起来, 因为其具有良好的鲁棒性, 因此被广泛的应用在人体行为识别中, 但是计算复杂度高就成为了她的缺点。但是就是在今天, 层级隐马尔可夫的提出, 使得模型对人体行为进行识别并取得了很好的识别效果, 也是因为HMM不能对三个或者以上的独立过程进行有效处理, DBN存在的结构也可以发生任意的改变, 因此达到了降低计算的复杂性的目的。

3.基于人体模型的方法

基于人体模型的方法实质上是需要我们通过对人物身体部位分析来达到识别人体的一些行为方式。需要我们通过人体部位, 包括头, 躯干, 手, 膝, 脚等等部分来准确找出人体运动中存在的一些信息, 从而提高识别系统的识别率。人体模型主要分为两种, 一种是2-D轮廓模型, 另一种则是3-D立体模型, 2-D模型主要是用于智能的监控, 3-D模型的运用, 将人体运动学的先验知识和人体行为这种发展的东西向结合而进行描述和分析。由于人体模型的方法能够在测量中准确的表达出人体运行的相关信息, 所以适合在复杂行为中进行分析与理解。

2基于视觉的人体行为识别的运动目标提取

人体运动检测的主要任务是从图形序列中检测感兴趣的运动目标, 这是基于视觉的人体行为识别中最基础的一个环节如图1所示。虽然实际情况中国由于受到光照, 天气等因素的影响, 会影响其检测的进行, 在对其进行核算研究时, 我们只要一些算法的复杂性, 稳定性和实时性也考虑进取, 从而选取出较为适合的算法, 还是可以适当的改进的。

静态背景和动态背景下的运动检测都是属于运动目标检测的一种, 静态背景下的运动检测, 检测点是不会发生移动, 我们一般将监测点安放在一个固定的点例如银行的路口进行监视的摄像头, 当然对于固定点的选择也是非常关键的。而动态背景下的运动目标检测则是指需要将检测点随着目标移动的, 这样有利于获取到第一手的资料例如装在飞机或者卫星上的监控系统, 运动员运动过程中的跟拍等等, 相对于静态背景下的目标提取, 动态背景下的则更为发杂, 检测算法也更为多变。

3基于视觉的人体行为识别的特征提取

特征提取是计算机视觉和图像处理中的一个概念, 她根据计算机提取的图像信息, 决定了每个图像的点是否属于一个图像的特征。一般我们都是通过对某一模式的组测量值进行变换, 以此来突出该模式具有代表性特征的一种方法, 迄今为止特征没有万能和精确的定义, 因此一个算法是否成功往往还是有它使用和定义的特征来决定的, 在制定的场所提取出的相关特征, 一般来说都是相同的。

1.初级运算

特征提取是图像处理中的一种初级运算, 它是我们在对一个图像进行的运算处理时作出的第一个运算过程, 它需要通过详细的检查每个像素以此来确定该像素是否代表一个特征。组委特征提取的一个前提运算, 输入图像一般通过高斯模糊核在尺度空间中被平滑。

2.寻找特征

特征提取需要许多的计算时间, 且可以使用的时间也是存在限制的, 由于许多计算机图像算法使用特征提取作为其初级计算步骤, 因此大量的特征提取算法被发现, 其提取的特征也是各式各样的。

4结语

基于多特征融合的人体行为识别 篇7

人体行为识别在智能视频监控、人机交互、视频检索、运动分析、医疗诊断和监护等领域具有广阔的应用前景，已经成为计算机视觉领域备受关注的前沿研究课题。目前，基于视觉的人体行为特征的描述方法主要包括[1]:基于模板匹配的方法，该方法通过对视频序列中检测到的人体形状建立起一组与特定运动相对应的人体形状序列，而后采用模板匹配的方法对行为进行识别。该方法实时性好，能够识别简单行为，但要求提取出的人体前景较为精确[2];基于光流的方法，该方法仅仅依靠连续帧的相对运动，不受复杂背景的影响，但计算量大，而且不够鲁棒;Fathi等[3]提出了结合底层整体光流特征和中层局部光流特征对视频中的运动区域进行整体描述，该方法在相对单一的背景下取得较高的识别率，但是仅仅依靠光流信息仍不足以对运动特征进行描述;基于兴趣点的方法，该方法通过提取兴趣点，并对兴趣点周围局部区域进行描述。兴趣点是对显著区域的稀疏采样，其计算和存储代价较小。该方法的缺点是未能解决动态背景干扰问题。Yuan等[4]利用三维Harris检测器对动作视频中兴趣点进行提取，在此基础上对动作进行时空表征，进而实现动作识别。Zhang和Liu[5]用量化的局部SIFT特征实现人体行为的描述;基于语义描述的方法，它将场景中人的活动情况用填空的形式填入语法格式中，产生对人体行为的理解的自然语言描述[6]，该方法能够识别子事件并行发生的行为，但容易受低级子事件所带来的错误的影响。

多特征融合是获得鲁棒性更强的特征描述有效方法。融合的多特征既可更准确地表征运动，也可减少信息冗余，在精度和效率上有较大优势。本文通过选取人体行为区分度较高的运动方向特征、形状特征和光流变化特征进行描述，提出了一种基于MOH特征、2D-Sift特征和HOOF特征相结合的人体行为识别方法。多个特征之间采用基于特征层面的融合方法进行多特征融合。

1 人体行为识别框架

视频序列中的人体行为是不断变化的，对于不同行为可能出现某两帧极其相像(如走路和跑步)，因此，视频序列中的人体行为识别需要将视频序列分割成若干卷，对每一卷进行判别。人体行为识别框架如图1所示。通过构造运动历史图MHI提取出基于MHI图运动方向直方图MOH的全局特征，并对人体运动区域提取基于光流方向直方图HOOF的局部特征和2D-SIFT局部特征。对一个时空卷中所提取的HOOF特征和2D-SIFT局部特征分别使用视觉词袋模型BOW进行降维。最终联合MOH全局特征通过支持向量机(SVM)进行识别。

1.1 目标分割

提取出完整前景目标是实现特征提取和特征描述的关键，是识别的基础。帧差法效率高且对复杂环境和光照具有较强的鲁棒性，但提取出的目标轮廓不完整易出现空洞，如图2(c)所示。而高斯背景建模方法对全身运动的行为(如:走路，跑步，跳跃)提取得较为完整，而对人体的局部动作(如:挥手，拳击)则很难提取前景，如图2(b)所示。为了克服二者的缺点，本文通过对帧差法与高斯背景建模的方法提取出的前景取并集，提取出较为完整的前景目标，如图2(d)所示。

图中，(a)是Weizmann数据库中jump,wave2的一帧，(b)是高斯背景建模法前景目标提取，(c)是帧差法前景目标提取，(d)是两种方法相结合的目标提取。

1.2 运动区域提取

像素变化比率图PCRM(Pixel Change Ratio Map)[7]能够大致估计视频片段中的运动信息，运动越剧烈而且持续的时间越长，在像素变化比率图中就会越亮，也就是值越大。本文利用2.1节中得到的前景图像Di构造像素变化比率图。首先根据式(1)求得当前帧与前后两帧的像素变化分布。然后根据式(2)获得PCRM图像。

其中L为视频帧数。最后根据PCRM图像，将图像分别在水平方向和垂直方向进行投影，根据投影的波谷的位置，估计出运动位置，如图3所示。图中，第1行分别为动作Walk,Jack,Slide,Skip的PCRM图，第2行分别为估计出的运动位置。

2 特征提取

2.1 MOH特征提取

运动历史图(MHI)是一张静态图像，能提供一些运动属性，比如运动方向等，构造方法如式(3)所示:

其中τ为时间窗的大小，在时间窗之外的帧将被忽略，D(x,y,t)表示第t帧时的前景图像，x,y是像素坐标，构造的MHI图如图4(a)所示。

在获得MHI图像后，对MHI图像上的每个点(x,y)，根据式(4)求得运动方向θ(x,y)。

将θ(x,y)量化为K个bins(本文取K=18)，根据式(4)分别统计出落入每个bin中的梯度方向个数，形成运动方向直方图F。然而当θ选0°～360°的有符号梯度方向空间时，运动方向相反的同一个行为(如向左跑和向右跑)如图4(a)、(b)，可能映射到的直方图相差K/2，如图4(c)、(d)所示。为了解决该问题，传统的方法是将相反方向的梯度映射到直方图的同一个方向，即转换到0°～180°的无符号梯度方向空间，但该方法容易导致两个不同的动作可能拥有相同的特征表示，因此无法区分一些不同的动作。受文献[8]提出的Ex Ho G特征的启发，本文根据式(6)至式(8)对运动梯度方向直方图F作出了改进。

式中，根据将F(k)分为正梯度空间和负梯度空间两部分，为正梯度空间和负梯度空间对应bin的值相加的绝对值，Fdiff(k)为正梯度空间和负梯度空间对应bin的值相减的绝对值，最后将和Fdiff串联起来构成MOH特征FMOH。

图4中，(a)、(b)分别为向左跑和向右跑得MHI图，(c)、(d)为未改进前的运动方向直方图，(e)、(f)为改进后的运动方向直方图。

由图4(e)、(f)可见，改进的运动方向直方图在有符号梯度方向空间下，能有效地解决了相反方向运动时，同一动作类内聚类度较差的问题。为此，将改进的运动方向直方图(共计K=18维)作为最终的MOH特征FMOH。

2.2 2D-SIFT特征提取

SIFT特征不仅对图像的尺度、旋转具有不变性，而且对亮度和3D相机视角的改变也保持一定的稳定性;在时域和频域内都能较好的定位，减少因遮挡、杂乱或噪声引起的分裂概率，可以有效地用于匹配不同图像的场景和目标。

使用可变尺度高斯函数G(x,y，σ)和输入图像I(x,y)相卷积构建高斯金字塔，如式(9)所示:

其中，*表示卷积运算;σ是尺度因子，k为尺度因子的比例系数，并且有:

再根据式(11)构造Do G金字塔。

通过判断在Do G尺度空间金字塔中是否检测到最大值来确定兴趣点的位置。为了减少计算量和不同背景、光照对识别结果的影响，本文仅对人体运动区域提取SIFT兴趣点，并剔除掉不在前景目标上的兴趣点。提取的部分兴趣点如图5所示。

在提取出兴趣点后，需要对兴趣点进行描述，本文采用2D-SIFT描述子进行描述，即以兴趣点为中心选取16×16窗口，每一个小格代表兴趣点领域所在尺度空间的一个像素点，箭头方向代表该像素点的梯度方向，长度代表梯度幅值;将窗口划分为4×4个种子点，每个种子点由4×4个小块构成，在每个小块上计算8个方向的梯度方向直方图，可产生4×4×8=128个数据作为2D-SIFT描述子。

2.3 HOOF特征提取

光流是图像中像素点瞬间移动所产生的速度场，它体现了视频中运动物体的运动趋势，可以用来确定运动目标的运动情况。定义I(x,y,t)为视频中t时刻图像上(x,y)点的亮度，u和v分别为该点光流矢量沿x、y轴的两个分量。设t+dt时刻该点位置为(x+dx,y+dy)，其灰度为I(x+dx,y+dy,t+dt)，因此该点的光流约束方程为:

令dt→0，利用Taylor式展开得:

其中Ix、Iy、It分别为该像素点亮度值沿x、y、t三个方向的偏导数。式(13)限定了Ix、Iy、It与光流矢量u、v的关系，但仅由一个方程是无法计算出两个光流矢量的，因此专家们提出了许多计算光流的方法，目前主要的方法有:LK稀疏光流，HS稠密光流，高精度光流，大位移光流。其中LK稀疏光流虽然精度相对后两种方法较差，但计算速度快，适合实时运算。本文采用LK稀疏光流方法，首先对人体运动区域进行稀疏采样，并求得采样点稀疏光流，光流分布如图6所示。

设G(x,y)为采样点(x,y)的光流幅值，θ(x,y)为该点光流的方向，由于人体动作主要集中在手部和腿部，本文将人体运动区域等分为上中下3个区域，加上整体区域共计4个区域(part(i),0≤i≤3)。将θ(x,y)量化为K(本文取K=8)个bins，对每个区域根据式(14)至式(15)构造光流方向直方图。

其中，1≤k≤K表示第k个bin,0≤i≤3表示第i个区域，ε是为了防止分母为0而引入的一个很小的正数。另外，为了更好地描述区域内光流梯度的分布疏密信息，本文根据文[9]构造了三种光流梯度描述子，如式(16)至式(19)所示:

其中ai为所求光流梯度的区域面积，mk是该区域内光流方向属于第k个bin的方向角个数，ε是为了防止分母为0而引入的一个很小的正数。最后将每一个区域所提取的光流梯度直方图串联起来，构成最终的HOOF特征，如式(20)所示:

3 特征融合与判别

在特征提取中，MOH特征，2D-SIFT特征，HOOF特征分别代表了全局运动方向信息，形状信息，光流变化信息，为了得到更好的表示运动模型和更高的运动识别率，需要对这些信息进行有效的融合。

对每一个时空卷的所有兴趣点提取128维的2D-SIFT特征，并采用视觉词袋模型[10]将得到的所有2D-SIFT描述子映射到一个具有300个词汇的字典中，得到一个300维的统计直方图作为最终描述子F2D-Sift。同样的，对一个时空卷的每一帧提取100维的HOOF特征，使用视觉词袋模型将得到的所有HOOF描述子映射到一个具有50个词汇的字典中，得到一个50维的统计直方图作为最终描述子FHOOF。

有效的特征融合的先决条件是每一个单独的特征向量具有相同的物理意义，F2D-Sift和FHOOF均由视觉词袋模型方法得到，确保了这一条件。对于由M种方法在视觉词袋模型下得到的特征向量{Fl|Fl={fjl}(1≤j≤Kl)}，其中1≤l≤M,K为字典中词汇个数。融合后的特征向量为FBOW={f11,f21，…，f1K1，…，f1M,f2M，…，fMKM}，即F2D-Sift和FHOOF融合后的特征向量为FBOW={f2D-Sift1,f2D-Sift2，…，f2D-Sift300,fHOOF1,fHOOF2，…，fHOOF50}。

另外，对每一个时空卷提取一个18维MOH特征FMOH，归一化后与FBOW合并，合并后的特征向量如式(21)所示，最终将FFUSION输入支持向量机(SVM)进行判别。

4 实验结果与分析

本文利用Weizmann数据库[11]和KTH数据库进行实验评估。实验在Core i5 3.10 GHz的CPU,VS2010的编程环境上进行。

Weizmann行为数据库包含了10种动作，分别是弯腰，开合跳，上跳，双脚跳走，跑，侧身走，单脚跳走，走，单手挥动，双手挥动。每种动作由9个人执行，共有93个分辨率为180×144的视频文件。该数据库背景是静止的，数据库较为简单。实验采用交叉验证的方法。依次把每个人的所有动作作为一个测试集，其余人的动作作为训练集，如此进行了9轮验证。另外，分别从每一种动作集中随机选取一个视频组成一个测试集，剩余的作为训练集，如此进行了60轮验证。图7为本文方法在Weizmann数据库的识别结果，平均识别率达97.83%。

KTH行为数据集包含了6种动作，分别为拳击，拍手，挥手，慢跑，快跑，走。每种动作由25个人在4个不同的场景下完成，4中场景分别为室内，室外，室外放大，室外且穿不同颜色的衣服。共有600个分辨率为160×120的视频文件。该数据库动作类型较少，但数据量大，视频中背景噪声较大。由于数量集较大，测试采用分割法。随机从25个人中选取16个人的视频作为训练集，其余的9个人的视频作为测试集，如此进行40轮验证。图8为本文方法在KTH数据库的识别结果，平均识别率达91.38%。

表1列出了MOH特征，2D-SIFT特征和HOOF特征分别对Weizmann数据库与KTH数据库的识别率。

如表1所示，基于不同的数据库处理效果，MOH与2D-SIFT的特征识别效果差异显著。MOH特征对背景静止、相对简单的Weizmann数据库能够取得较高的识别率，而对于背景噪声较大的KTH数据库则取得较低的识别率。反观2D-SIFT，其对于KTH数据库的识别率明显高于对Weizmann数据库的识别率。因此，仅采用单一特征的识别方法其适应性相对较差。表2列出了MOH特征，2D-SIFT特征和HOOF特征相互融合的识别率。

如表2所示，采用相同的验证方法，不同特征相互融合后的识别率均有所提升。其中，融合了MOH特征，2D-SIFT特征和HOOF特征的方法对Weizmann数据库和KTH数据库的识别率相对于采用单个特征的最大识别率(如表1所示)分别提升了10.7%和4.83%，证明了本文提出的结合全局运动方向信息，形状信息和光流变化信息的多特征融合方法的有效性。

表3列出了本文方法与目前的其他方法对Weizmann数据库与KTH数据库识别率的比较。与其他方法相比，本文方法在Weizmann数据库与KTH数据库上均取得较高识别率。

5 结语

行为识别系统 篇8

近年来，国内外专家学者对人体行为识别进行了广泛研究。田国会等[8]提出了基于一种新的人体行为表示特征量识别方法，该方法利用Kinect提供的关节点数据，结合人体行为的特点，通过人体结构的向量角和向量模比值来提取人体行为表示特征值，再通过DTW算法进行识别，取得较好的识别效果;朱旭东等[9]提出了一种基于主题隐马尔科夫模型的人体异常行为识别，该模型克服了己有的马尔科夫模型和贝叶斯主题模型在精度、鲁棒性和计算效率上的不足;申晓霞等[10]提出了DDMHI-HBM特征、DDMHI-GIST特征和DDMHI-HBM-GIST融合特征的行为描述法，并且使用支持向量机(SVM)进行行为识别，获得比较优越的性能。

本文针对LSDA算法存在的小样本和非正交难题，提出了一种基于改进的局部敏感判别分析算法，并应用于人体行为识别中。该算法首先计算样本间的距离来重新设置权值矩阵，保证在最大化目标函数时尽可能保持局部线性重构特性，解决小样本难题;接着通过GranSchmidt正交化方法将特征向量进行正交化，可有效地保留原始空间中的高维空间，解决图像特征重建难题;并在Weizmann行为数据库进行实验。试验结果表明，该算法具有良好的分类性能，在不同训练样本个数下，该算法均能获得较高的识别率。

1 局部敏感判别分析(LSDA)算法

假设N个数据点{(x1,l1),(x2,l2)，…，(xN,lN)}为训练样本数据集，其中xi∈RD(i=1,2，…，N)，其中li∈L={1,2，…，N}是样本数据点xi的类别标签。对每个样本数据点xi,LSDA需要计算xi的K最近邻集合点，即N(xi);然后将N(xi)划分为两个子集:类间邻域点集Gb(xi)和类内邻域点集Gw(xi)。其中，Gb(xi)是与xi不同类别的数据点集，Gw(xi)是与xi相同类别的数据点集。LSDA算法定义两个目标函数，其目的是在一定的约束条件下，最大化类间邻域点集Gb(xi)和最小化类内邻域点集Gw(xi)。即LSDA算法主要是寻找一个映射A，令yi=ATxi，使得

其中，Sb,ij代表最大化类间邻域点集Gb(xi)的权矩阵，Sw,ij表示最小化类内邻域点集Gw(xi)的权矩阵，分别定义如下

由式(1)简化推导如下

同理

式中:分别是对角矩阵，Lb=(Db-Sb)是类间邻域点集上的拉普拉斯算子。在满足约束条件ATXDWXTA=1时，LSDA的最佳目标函数可表示为

其中，η∈[0,1]为调整敏感因子，是一个常数，可通过实验方法来确定，则映射矩阵A可通过如下特征方程来求解:

若上述方程(5)对应的解向量分别为α1，α2，…，αd，每个解向量对应的最大特征值λ1，λ2，…，λd，则对应的映射可表示为

2 改进的局部敏感判别分析算法

2.1 LSDA算法的优缺点

基于流行学习基本思想的LSDA算法通过利用紧邻点集来实现识别图像的局部几何特征，主要方法是通过特征映射，使原始图像中距离很近的数据点集在局部集合特征空间中依然保持很近，从而能保持识别图像的局部几何结构;而且LSDA算法属于有监督的特征提取算法，通过引入类信息和调整敏感因子η的方法，保证投影后空间中最近邻同类样本数据点集与不同类样本数据点集之间的距离差值最大化。因此，LS-DA算法在人脸识别、指纹识别等模式识别领域有很好的优势，将LSDA算法针对行为特征改进后用于人体行为识别是可行的。

LSDA算法的缺点也是明显存在的[11]。第一个缺点:在式(2)、(3)表示的加权矩阵中，只有紧邻点之间的权值为1，这样会导致在一个数据点若不能从近邻点权值矩阵实现重构时会引起较大的误差，即小样本问题。因此，最大化目标函数在降维过程中尽可能保持局部线性重构特性。第二个缺点:在式(5)的特征方程中可以得出，(XDwXT)-1X(ηLb+(1-η)Sw)XT是一个非对称矩阵，其求解的特征向量集也是非正交向量的。根据得到的特征向量集，求出的变换矩阵A可表示为:A=(α1，α2，…，αd)。经过维数约简后的两个样本间的欧氏距离为:

如果变换矩阵A为非正交矩阵，则在高维空间中几何特征无法保留，即LSDA算法的非正交性会导致图像特征数据重建困难。本文算法通过引入二阶张量相似度矩阵和Gran-Schmidt正交化方法来克服上述缺点，提出来基于二阶张量的正交局部敏感判别分析算法，并在人体行为识别数据库中进行验证。

2.2 改进的LSDA算法

为了弥补LSDA算法未考虑样本数据点之间的距离关系，即小样本难题，本文主要通过构造相似度矩阵及其近邻图来解决。其主要方法是对式(2)、(3)进行修改，重新设置类内最近邻点集和类间最近邻点集的权值矩阵，分别用Hb,ij和Hw,ij来表示，其定义如下

其中，β是一个调节因子。将Hb,ij和Hw,ij来代替Sb,ij和Sw,ij带入式(1)，可以得出

同理

针对小样本难题，可将目标函数表示为

上式可转化成求解映射矩阵A，在约束条件ATA=1下，使

对式(13)进行特征值分解，得到d个最小特征值和与其对应的特征向量，令A={α1，α2，…，αd}，其中d为数据约简维数。

根据式(7)，为了有效地保留原始空间中的高维空间，解决图像特征重建难题，可通过Gran-Schmidt正交化方法将式(13)得到的A={α1，α2，…，αd}转换成正交化矩阵[12]。其主要方法是:

令v1=α1，假设前k个正交向量v1,v2，…，vk(1≤k≤d)已求出，则使第k+1个正交向量vk+1为

依次求出的v1,v2，…，vk就是α1，α2，…，αd的施密特正交向量组，即A={v1,v2，…，vk}是正交矩阵。

综上所述，基于ST-OLSDA算法进行人体行为动作识别的基本步骤如下:

步骤1:对任意数据点xi∈N(xi)，通过式(8)、(9)构建类内权重矩阵Hb,ij和Hw,ij。

步骤2:对式(11)求解出D个非零特征值所对应的特征向量，其表示为α1，α2，…，αd，αd+1，…，αD，取其中d个最小非零特征对应的特征向量，令A=(α1，α2，…，αd)。

步骤3:通过式(12)将A=(α1，α2，…，αd)中d个非正交向量α1，α2，…，αd转化成k个正交向量v1,v2，…，vk。

步骤4:令A={v1,v2，…，vk}，则A是一个D×k的正交化投影矩阵。这样将D维空间的样本通过y=ATx进行变换后投影到k维空间中。

3 仿真实验及结果分析

为了验证本文算法的有效性，使用Weizmann人体行为数据库来对算法的性能进行验证。实验测试是在Microsoft XP系统平台上通过使用MATLAB 7.1软件编程实现、CPU是双核Intel(R)Core(TM)i3-4030CPU@1.90 GHz、内存为4G的HP Pro Book430上进行的。

Weizmann数据库由以色列魏茨曼科学院计算机视觉实验室采集提供，如图1所示。共包含90个低分辨率的AVI视频序列(180×144,50 f/s)，所有动作分别由9名实验人员完成，每人完成10个自然动作(单臂挥手、双臂挥手、单脚跳、侧行、双脚跳、行走、原地跳、挥手跳、奔跑、弯腰)，将视频中每个动作分解成28帧，共2 520帧行为图像。对每人每一种行为(28帧)，随机选取10帧和15帧行为图像作为训练样本，剩余的用作测试样本，分别表示为:np=10,15，循环进行10次，用平均识别率来表示。为了保证公平，本文在同一实验环境下进行，每种算法均采用SVM分类器，距离度量都采用欧氏距离。

实验中将本文算法与流行的主成分分析法(PCA)、局部保持投影算法(LPP)、判别式分析法(LDA)及局部敏感判别分析(LSDA)算法进行比较。图2显示了每人每种行为随机选取10幅和15幅图像作训练样本，循环10次平均识别率随特征维数变化的曲线。根据图2显示结果，在5种算法中可以看出OLSDA算法的平均识别率明显高于LSDA算法，说明通过Gran-Schmidt正交化方法将特征向量正交化，可有效地保留原始空间中的高维空间，解决图像特征重建难题，进而验证正交基约束条件的有效性，表明含有正交基约束条件的算法比无正交基约束条件的算法具有一定的优势，本文改进的局部敏感判别分析算法的平均行为识别率明显地高于其他4种算法。

表1显示了详细的试验结果，其中调整敏感因子η通过实验来确定。通过实验测试发现，在每人选择10幅和15幅行为图像作训练样本时，η的值取0.45和0.65可达到最理想的识别结果。

从表1中可以看出，OLSDA算法的识别率高于LS-DA算法，说明正交基约束条件的有效性;而且本文算法中利用样本间的距离信息重新设置类内最近邻点集和类间最近邻点集的权值矩阵，其识别率高于OLSDA和LSDA，可以保证在最大化目标函数时尽可能保持局部线性重构特性，解决小样本难题，从而提高行为识别率。

4 结论

本文提出了一种基于改进的局部敏感判别分析的人体行为识别算法。该算法首先利用样本间的距离信息重新设置类内最近邻点集和类间最近邻点集的权值矩阵，保证在最大化目标函数时尽可能保持局部线性重构特性，解决小样本难题;接着通过Gran-Schmidt正交化方法将特征向量进行正交化，可有效地保留原始空间中的高维空间，解决图像特征重建难题;最后在Weizmann行为数据库进行实验，平均识别率达到98.21%。试验结果表明，本文算法具有良好的分类性能，在不同训练样本个数下，该算法均能获得较高的识别率和较好的性能，在视频监控、医疗看护、人机交互、安全监控等领域有着广阔的应用前景。

摘要：提出了一种基于改进的局部敏感判别分析(LSDA)的人体行为识别算法。首先,利用样本间的距离信息重置类内最近邻点集和类间最近邻点集的权值矩阵,保证在最大化目标函数时尽可能保持局部线性重构特性,解决小样本难题;然后,通过Gran-Schmidt正交化方法将特征矩阵进行正交化,可有效地保留原始空间中的高维空间,解决图像特征重建难题;最后在Weizmann行为数据库进行实验,平均正确识别率达到98.21%。试验结果表明,该算法具有良好的分类性能,在不同训练样本个数下,该算法均能获得较高的识别率。

关键词：行为识别,维数约简,局部敏感判别分析,正交化

参考文献

[1]雷庆,陈锻生,李绍滋.复杂场景下的人体行为识别研究新进展[J].计算机科学,2014,41(12):1-7.

[2]李瑞峰,王亮亮,王坷.人体动作行为识别研究综述[J].模式识别与人工智能,2014,27(1):35-48.

[3]徐勤军,吴镇扬.视频序列中的行为识别研究进展[J].电子测量与仪器学报,2014,28(4):343-350.

[4]秦娜,桑凤娟.基于自适应邻域选择的局部判别投影算法[J].计算机工程,2013,39(4):194-198.

[5]谢钧,刘剑.一种新的局部判别投影方法[J].计算机学报,2011,34(11):2243-2249.

[6]文贵华,江丽君,文军.邻域参数动态变化的局部线性嵌入[J].软件学报,2008,19(7):1666-1673.

[7]高玮军,白万荣,公维军,等.基于自适应邻域选择的正交局部敏感判别分析[J].计算机工程与设计,2012,33(5):1968-1972.

[8]朱旭东,刘志镜.基于主题隐马尔科夫模型的人体异常行为识别[J].计算机科学,2012,39(3):251-255,275.

[9]田国会,尹建芹,韩旭,等.一种基于关节点信息的人体行为识别新方法[J].机器人,2014,36(3):285-292.

[10]申晓霞,张桦,高赞,等.一种鲁棒的基于深度数据的行为识别算法[J].光电子激光,2013,24(8):1613-1618.

[11]金一,王移芝,阮秋琦.张量正交局部敏感判别式分析及其在人脸识别中的应用[J].信号处理,2011,27(6):820-827.

行为识别系统 篇9

粮食安全是一个世界性问题,关乎各国国计民生和社会稳定,2008年爆发的全球性粮食危机,导致多个国家发生社会动乱。中国作为一个发展中的农业大国,其粮食生产对国际粮食安全具有重要作用,如果中国发生粮食危机,会直接扰乱世界粮食市场供需及价格形成。因此,中国政府一向十分重视粮食安全问题,在促进粮食生产方面做出了巨大努力,2004年1号文件明确强调: “集中力量支持粮食主产区发展粮食产业”。十八大指出:“严守耕地保护红线,严格土地用途管制”。2014年1号文件进一步提出:“完善国家粮食安全保障体系,抓紧构建新形势下的国家粮食安全战略”。然而,保障国家粮食安全的关键在于调整农户种植决策行为,调动其种粮的积极性,让农户愿意多种粮。如何提高粮农种粮意愿已经成为学术界关注的一个重要问题。

国内外关于农户种粮生产决策行为已有大量研究,并取得了大量很有价值的研究成果,除部分对农户行为相关理论的研究 (理性小农学派、组织生产学派、历史学派和社会心理学派),大部分主要集中在对农户生产行为及其影响因素的研究。从国外研究的情况来看,Gonzales和Damodaran对菲律宾菜农种植决策行为进行研究,发现农户综合考虑自身和作物特征进行选择。〔1〕〔2〕Willock等通过中介变量模型对苏格兰农民以商业和环境为导向的种植行为进行分析,结果表明心理层面因素是农户决策行为的主导因素。〔3〕而Mcpeak和Doss研究发现,肯尼亚北部地区农户牛奶生产决策行为具有明显的性别和个体差异。〔4〕国内对这一问题的关注较晚,比如池泽新认为农户生产决策行为受农产品商品率、兼业程度和农户行为角色等因素的影响。〔5〕陈思羽等以粮食主产区湖南省为研究对象,从农民个人特征、农户家庭特征、粮食市场价格等角度对农户种粮意愿影响因素进行分析。〔6〕靳庭良则利用排序模型对影响粮食主产区农户种粮意愿的户主特征、家庭特征、家庭所处地理位置及自然条件、市场因素和惠农政策五方面因素进行分析。〔7〕张慧琴等对利用Logistic模型对黑龙江省农户种粮决策影响因素进行研究,结果表明种粮收益、水资源情况、补贴、交通和农资价格与种粮农户种粮意愿呈正相关关系。〔8〕

综上所述,已有的对农户种植决策行为影响因素研究大多从一个或几个方面展开,并且所用研究方法也主要集中在Logit模型和Probit模型分析,在众多的影响因素中,因素间的相互关系,起主导作用的关键因素是什么,相关文献还极其缺乏。因此,我们将试图运用模糊集理论 (Fuzzysettheory)的决策实验分析方法 (DecisionMakingTrial andEvaluationLaboratory,DEMATEL)对影响农户种粮决策6个方面的因素 (种粮农户基本特征、收入和就业情况、国家政策、种植和销售环境特征、价格因素和外源因素)进行分析,通过对关键因素的识别和因素间的相互关系的分析,对如何引导农户种粮决策,调动种粮积极性,提高粮农收入,从而对保障国家粮食安全提供可借鉴的政策启示。

二、研究假设

我们通过对国内外研究成果进行梳理,结合本国农户生产实际情况,选择了影响农户种粮决策六个方面主要因素进行分析和假设。

1.农户个人基本特征

农户基本特征变量主要选择年龄和文化程度,靳庭良研究发现户主年龄越高,思想上越保守,形成的种粮习惯难以改变,种粮意愿越强。〔9〕张兆同和李静通过对江苏苏北农民调查分析发现,传统的种植行为对农民生产经营决策具有重要的影响。周清明则运用Logit模型对4个省份农户种粮意愿影响因素进行分析,分析结果表明,年龄变量与种粮意愿呈正相关,与受教育程度则呈负相关。〔10〕受教育程度越高的农民有更多的择业机会,越缺乏种粮意愿。然而,农户文化程度高,就会注意收集各种农业信息,采取更先进的种植方法,从而获得较高的种粮收益。〔11〕

由此假设:农户年龄 (C1) 和农户文 化程度(C2)影响农户种粮决策行为。

2.农户家庭特征

农户家庭特征变量主要选择种粮规模、种粮收入占总收入比重和外出打工情况。唐娟莉对陕西农户调研发现,农户种粮规模与种粮意愿呈显著正相关,而外出打工情况与种粮意愿呈显著负相关。当种粮面积达到一定规模时,农户会将种粮作为主业作为谋生手段,更愿意种粮,其中小规模农户种植决策趋于保守,大规模农户则依据 市场价格来决定。顾莉丽和郭庆海对吉林省7市农户进行调查分析表明,种粮收入占总收入比重对农户种粮意愿有显著正影响,即比重越高,其种粮意愿越强烈,这与经济人理性相符合。

由此假设:种粮规模 (C3)、种粮收入占总收入比重 (C4)和外出打工情况 (C5)影响农户种粮决策行为。

3.国家政策

2004年以来,国家大力推动农业生产和发展,取消农业税收,实施的支农惠农政策,在一定程度上影响了农民种粮积极性。钱克明、曹芳和张慧琴等研究表明,国家粮食补贴政策的实施,有效的提高了农户种粮意愿和积极性。〔12〕然而,马彦丽和杨云及王娇和肖海峰发现粮食直补政策对农户种粮意愿影响甚微。周清明认为,粮食直补对农户激励作用取决于农户种粮土地边际收益与从事非农就业劳动力边际收益比较结果。〔13〕

由此假设:国家粮食支持政策 (C6)影响农户种粮决策行为。

4.种植环境特征

种植和销售环境特征变量主要选择灌溉条件、土地肥沃程度、交通条件、销售难易程度和是否参加粮食生产合作组织。水源状况良好、土地较肥沃、交通便利会增强农户种粮意愿。〔14〕张慧琴等对黑龙江省种粮农户进行调查,发现粮食生产灌溉用水是否充足对农户种粮意愿有显著影响,交通便利性也与种粮意愿有显著相关性,交通越便利,粮食销售越容易,农户越愿意种粮。〔15〕农户是否参加粮食生产合作组织与农民种粮意愿呈正相关,生产合作组织一般对农民提供比较到位的生产技术服务,收购价格也会稍高。〔16〕

由此假设:灌溉条件 (C7)、交通条件 (C8)、土地肥沃程度 (C9)、销售难易程度 (C10)和是否参加粮食生产合作组织 (C11)影响农户种粮决策行为。

5.价格因素

价格因素主要选择粮食价格和农资价格。要促进农民进行粮食生产,提高农民收入,就要提高农产品价格,降低生产 资料价格。 周清明、〔17〕靳庭良、〔18〕顾莉丽和郭 庆海等也 得出相同 的结论。 然而,徐谷明则认为粮价再涨农民也不愿意种粮。

由此假设:粮食价格 (C12)和农资价格 (C13)影响农户种粮决策行为。

6.外源因素

外源影响因素主要选择生产信息获取能力、农技推广力度、其他村民生产行为和风险类型。陈明星对粮食主产区利益补偿效应影响因素进行分析发现,信息获取能力越强,农户对利益补偿满意度越小。而农户对粮食补贴的态度对其是否种粮影响较强,另外,粮食生产技术的提高能够增加粮食产量,进而增加农户种粮预期收入,从而增强农户的种粮意愿。农户种植决策易受熟人亲戚朋友行为和传统行为习惯的影响,我国农业生产主要以小规模农户为主,由于土地规模的约束多为风险规避者,种植决策更易受他人影响,会采用多种经营或兼业形式规避农业生产中的各种风险。

由此假设:生产信息获取能力 (C14)、农技推广力度 (C15)、其他村民生产行为 (C16)和风险类型 (C17)影响农户种粮决策行为。

三、研究方法与计算结果

我们运用模糊集理论的DEMATEL方法对影响农户种粮决策行为因素间相互关系及关键因素进行研究,其中DEMATEL方法是研究复杂系统各因素间相互关系的常用方法。〔19〕先利用模糊集理论中三角模糊数量化专家主观判断,将模糊数转化成准确数值 (ConvertingFuzzydataintoCrisp Scores,CFCS),〔20〕再利用DEMATEL方法分析因素间相互影响程度,根据直接影响矩阵等确定影响关键因素,分出主次因素。

一是设计问 卷及专家 评定。 根据Wang和Chen制定专家评定使用的语言 变量问卷。〔21〕〔22〕我们邀请了南京农业大学、江苏省社科院,中国农科院、中国农业大学、中国社科院、山东省农林厅和江南大学9位从事农业经济研究的专家组成专家评定群体,根据各自的知识与经验评定17个影响因素间的相互影响度,获得初始影响矩阵A。

二是将每个专家评定值转化成三角模糊数,计算第k个专家和K个专家i因素对j因素量化影响值,得到直接影响矩阵A= [αij]。

三是使用matlab10.0计算标准化影响矩阵D和总关系矩阵T,I为单位阵。计算T矩阵各行 (ri)之和与各列 (cj)之和。其中,ri表示i因素对系统中其他所有因素直接或间接影响程度之和,称为影响度(D);ci表示j因素受到系统中其他所有因素直接或间接影响程度之和,称为影响度 (R);ri+ci表示i因素在系统中的重要程度,称为中心度 (D+R)。ri-ci称为原因度 (D-R),当ri-ci>0时,i因素称为原因因素;当ri-ci<0时,i因素称为结果因素 (见表1),并通过Origin7.0绘制各影响因素D+R与D-R分布图图1)。

四、结果分析与讨论

1.因素间的相互关系属于

由表1和图1可知,C1、C2、C6、C7、C8、C9、C12、C13和C15原因因素,国家粮食支持政策 (C6)影响度在17个影响因素中居于首位,而被影响度仅居于第十七位,表明国家粮食支持政策能强烈影响系统中其他因素,但却很难受到其他因素的影响,具有强烈的主动性。同理,粮食价格 (C12)、文化程度 (C2)和年龄 (C1)影响度排名分别第二位、第三位和第四位,而被影响度均较低,因此属于主动性较强的因素。农技推广力度 (C15)影响度和被影响度均居于第八位,与其他因素关系较为紧密。灌溉条件 (C7)、交通条件 (C8)、土地肥沃 程度 (C9)和农资价 格(C13)影响度与被影响度均较低,这三个因素与其他因素关系比较疏远。

C3、C4、C5、C10、C11、C14、C16和C17属于结果因素。种粮规模 (C3)具有第二位的被影响度和第六位的影响度,表明C3与其他16个因素关系很紧密。是否参加粮食生产合作组织 (C11)和生产信息获取情况(C14)影响度分别居于第五位和第七位,被影响度分别居于第四位和第七位,这两个因素与其他因素关系较为紧密。种粮收入占总收入比重 (C4)、外出打工情况 (C5)、户主风险类型 (C17)和其他村民生产行为 (C16)被影响度分别位列第一位、第三位、第五位和第六位,影响度均较低,具有较强的被动性;销售难易程度 (C10)影响度和被影响度均较低,与系统中其他因素关系相对较疏远。

2.关键因素的识别

国家粮食支持政策 (C6)在17个影响因素中具有最大的影响度 (0.267),是影响其他16个因素最大的因素,是最关键的因素。种粮规模 (C3)具有最大中心度 (0.525),被影响 (0.337)度居于第二位,影响度 (0.188)居于第六位与系统中其他因素关系非常密切,发挥作用最大,是关键因素之一。是否参加粮食生产合作组织 (C11)中心度为0.453,位于第三位,影响度和被影响度分别为第五位和第四位,在系统中具有重要的影响力,可认为是关键因素。粮食价格 (C12)影响度为0.198,居于第二位,但被影响度仅居于第十位,说明对其他16个因素影响程度较高,可以认为是关键因素。类似,文化程度 (C2)和年龄(C1)均被认为是关键因素。生产信息获取情况 (C14)中心度为0.367,位于第六位,影响度和被影响度均居于第七位,显然在整个系统中也发挥了较为重要的作用,可以认为是关键因素。农技推广力度 (C15)影响度与被影响度均居于第八位,相对较高,也可以认为是关键因素。

灌溉条件 (C7)、交通条件 (C8)、土地肥沃程度(C9)、销售难易程度 (C10)和农资价格 (C15)中心度分别为第十五位、第十六位、第十七位和第十二位,影响度和被影响度均较低,不是系统中的关键因素。种粮收入占总收入比重 (C4)、外出打工情况 (C5)、户主风险类型 (C17)和其他村民生产行为 (C16)极易受系统中其他因素影响,具有较强的被动性,其中C4中心度 (0.483)居于第二,被影响度 (0.338)是第二大极易受其他因素影响的因素,而它的影响度仅为0.145,位于第十二位。灌溉条件 (C7)、交通条件(C8)、土地肥沃程度 (C9)和农资价格 (C13)中心度分别为第十五位 (0.195)、第十六位 (0.189)、第十七位 (0.173)和第十二位 (0.288),影响度与被影响度均较低,因此可以认为C7、C8、C9和C13均不是关键因素。

五、结论与启示

综上所述,影响农户种粮决策行为17个因素共同组成一个复杂的整体,不同因素作用方式和影响程度各不相同。年龄、文化程度、种粮规模、灌溉条件、交通条件、土地肥沃程度、粮食价格、农资价格和农技推广力度原因因素,在系统中影响其他因素;种粮规模、种粮收入占总收入比重、外出打工情况、销售难易程度、是否参加粮食生产合作组织、生产信息获取情况、其他村民生产行为和户主风险类型属于结果因素,在系统中受其他因素的影响。在17个影响因素中,年龄、文化程度、种粮规模、国家粮食支持政策、是否参加粮食生产合作组织、粮食价格、生产信息获取情况、农技推广力度是影响农户种粮决策行为的八个最关键因素。