基于BP神经网络分类器运动物体识别方法研究.docVIP

基于BP神经网络分类器运动物体识别方法研究 　　摘 要 本文针对运动目标进行特征提取，在神经网络分类器中输入数据，对分类器采用不同的算法进行训练，以提高运动物体识别的准确率。据有关试验结果显示，与其它类型的分类器相比，基于BP神经网络分类器的运动物体识别方法的识别率相对较为准确。 　　关键词 BP神经网络；运动物体识别；分类器 　　中图分类号：TP391 文献标识码：A 文章编号：1671-7597（2014）24-0038-02 　　在无需人为干预时，智能视频分类系统可根据拍摄得到的图像进行智能分析，进而识别动态场景中的不同类别物体，并基于此对目标行为进行分析判断，以完成目标分类并及时做出反应。而对运动目标进行准确识别是该系统的关键环节，更是计算机模式识别的研究热点。多层前馈网络是在目标识别中应用最广的，而BP神经网络是其中最有代表性的。本文设计基于多输出型BP网络与单输出型和多输出型相联合的BP网络，通过对样本所属类别进行判断而准确识别运动目标。 　　1 识别过程 　　BP神经网络在识别多类运动目标时的过程如下：一是对样本数据集进行采集及预处理，一般都是将输入BP网络的数据进行归一化处理；二是把数据样本根据用途分为两种，将训练样本主要用于对神经网络的训练，将检验样本主要用于对训练网络功能的检验；三是对神经网络层数及各层单元数进行选择；四是训练网络应采用训练样本及科学合理的学习算法，对比实际与理想值差异，使网络输出达到误差允许范围；五是采用检验样本集进行网络检验，在网络中输入检验样本，若网络输出与理想值在误差范围内，可采用该神经网络结构对目标进行准确识别，若正确可继续进行；否则重新回到第三步骤继续执行；六是对目标识别与分类采用训练好的网络进行，以获得识别 　　结果。 　　2 特征提取 　　试验数据源针对煤矿矿车内矿石在阴天情况下采集图像，视频流采用PAL制式（每秒25帧），图片大小为320×240分辨率。在视频图像中任意抽取煤与煤矸石两类目标样本，认真分析图像中运动的煤与煤矸石特点后，分别提取煤与煤矸石的形状复杂度作为目标识别的特征。 　　3 BP神经网络分类器设计 　　因待识别煤与煤矸石作为运动目标，属多目标识别的一类问题，因此在设计神经网络分类器方面还是比较复杂的。 　　1）多输出型BP分类器设计。 　　多输出型BP分类器一般可基于多输出型三层BP神经网络结构进行构建，网络输入层采用输入特征矢量节点数等于维数的拓扑结构，在数目上输出层节等于类别，输出节点与类一一对应。设计问题可从训练时限、识别率对隐含层最适宜的节点数进行考虑，采用试凑法决定。其主要思路是根据输入样本对网络开展相应训练，若不能满足设计要求就适当增加隐含层节点数，直至节点数合理为止，或将节点数从最大开始逐渐减少到合理。但此方法需较多的时间。在大部分条件下，可结合过去的设计经验获得节点在隐含层中的数目。对隐含层节点数目利用经验公式确定，采取四舍五入法对计算值进行取整。 　　上式中：S、m、n分别是隐层、输入层及输出层节点数。主要采用[0，1]之间随机数作为初始权值，节点阈值都是0。训练BP网络过程中，若输出标本号是i类，则训练期望输出节点是1，而其它输出节点是0。在BP网络识别过程中，如输入端的样本类别没有弄清楚，应对输出节点数值引起足够的重视。阈值若能够被设定为0.96后，主要最大输出值与判决阈值相比应较高一些，可确定样本类别是输出最大值节点。若输出最大节点在某种情况下与其它节点的差距相对较小（如小于0.04），就无需进行输入。 　　2）设计单输出型BP联合分类器。 　　在单输出型BP联合分类器结构中，单输出型BP分类器与待识别目标类别具有相同数目。因煤与煤矸石是待识别目标，所以BP分类器应具有2个单输出型。单输出型BP分类器的每个输入层节点与对应的特征矢量维数相同。隐含层节点采用上述公式确定数目，为每个类建立相应网络拓扑结构，采用非线性S型函数对网络传输关系进行表示，从[0，1]之间随机选择一数字作为网络初始权值，节点阈值为0。训练每类目标时，将该类样本的期望输出设定是1，而将其它类样本期望设定是0。分类器1能够对每类目标进行判断时，如果输入的目标是煤时，在分类器的输出结果为1，否则为0；分类器2目标进行判断时，若输入目标是煤矸石时，分类器输出为1，否则就是0。目标识别时，每个分类器输入未知类别样本，分类器1、分类器2都有输出值。联合分类器采用如下识别决策，若只存在一个分类器输出高于预先设定好的判决阈值（如0.96），就可将样本确定为此类；若分类器输出值中超过两个比预先设定的阈值高，而且其间存在超过某值（如0.04）的差，就确定此样本属于输出最大值那类。否则，若从分类器1、2输出的数值都明显低于判决阈值，或输出值的分类器多