基于多神经网络融合运动人体姿态识别.docVIP

基于多神经网络融合运动人体姿态识别 　　摘要：本文运用高斯分布方法来建立背景模型，并利用彩色背景差分进行运动人体的检出。通过对检出的人体图像进行形态学处理后，分别进行实体、轮廓和几何矩三种特征的提取，并为每个特征建立了一个BP神经网络分类器，经多种人体姿态样本独立训练后，再采用D-S证据理论对三个神经网络的输出结果进行融合处理，对运动人体姿态识别的实际测试表明：采用多特征神经网络融合方法比单特征神经网络取得更好的识别率，该方法可以用于各种智能视频监控系统中。 　　关键词：运动人体 特征提取 神经网络 D-S证据理论 　　中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2016）10-0051-03 　　1 导言 　　运动人体的跟踪与姿态识别是近年来计算机视觉领域的研究热点之一，在智能视频监控、虚拟现实技术、人机交互、体育运动分析和动画制作等领域都有着广泛的应用[1-3]。但目前成熟的应用还主要集中在简单的人体区域跟踪上，由于人体的运动变形，特征难以固定不变，采用一种特征来识别人体姿态会产生较高错误率，针对这一问题，本文对每幅人体姿态图像分别采用不同的方法提取特征，使其具有互补性，当一个特征表达缺失或缺少唯一性时，由其它两个特征来弥补，每个特征都有自己的分类器，最后的分类由D-S证据理论给出判决结果。 　　2 运动人体的检出 　　对运动人体进行识别，首先要将目标人体从背景图像中提取出来，即运动人体的检测。这部分工作的好坏将直接影响后续的识别、跟踪情况。运动人体检测的原则就是尽可能的保留运动人体部分的重要的特征信息，同?r最大限度的去除对运动人体检测无用的干扰信息。本文采用了背景减除法[4]，并结合高斯建模的方法建立背景模型来处理环境的光线变化[5]，使运动人体目标的检测更准确，考虑到人体图像提取的可靠性，本文没有采用传统的灰度背景差分，而是采用彩色背景差分，然后运用了数字形态学方法主要是开闭运算处理由于检测后图像或多或少存在的干扰和噪声等，可以使提取出的人体目标区域更为完整，图1是经过彩色背景差分和形态学处理后的人体图像，包括直立、行走、下蹲和跑步姿态，可以看出人体姿态完整，干扰被消除。 　　3 运动人体姿态的特征提取 　　运动人体是形变体，其特征的选取做到稳定和不变是困难的，采用单一特征提取方法更不稳定，所以本文采用多特征提取方法来表达运动的人体，以“多”代“单”能更合理更准确体现运动人体的各种姿态。通过对目前主流的特征提取方法的分析，选择人体轮廓、人体区域和人体几何矩不变量三种特征作为运动人体的姿态表示。 　　3.1 轮廓特征向量 　　利用前面的高斯背景模型建立背景，并通过背景减除法得到的运动人体区域基本是完整的，再通过膨胀、腐蚀、开闭运算数学形态学方法和滤波等对其处理使其内部填充完整，然后提取人体图像的轮廓图，典型轮廓图提取如图2所示。 　　为了缩小特征向量的维数，将轮廓样本图像f（x，y）归一到，归一化到这个尺寸是为了在后面进行神经网络训练时保证得到训练网络的泛化性和识别结果的准确率，如果偏小则识别精度下降，如果偏大则网络训练的迭代次数多，训练时间长。这样像素点的维数为480，将图像按行堆叠成轮廓特征向量是： 　　3.2 区域特征向量 　　同轮廓特征向量的提取一样，利用高斯背景模型建立背景，并通过背景减除法得到的运动人体区域基本是完整的，再通过数学形态学方法膨胀、腐蚀、开闭运算和滤波等对其进行处理使其内部填充完整，然后提取人体区域图，典型区域图提取如图3所示。 　　同提取轮廓特征一样，为了缩小特征向量的维数，将骨络样本图像f （x，y）归一到，像素点的维数为480。将图像按行堆叠成骨络特征向量是： 　　3.3 矩不变量特征 　　矩不变量最早由Hu在1962年提出[6]，用来表征图像的形状，并且推出了其它一些基本性质来证明矩的平移、旋转和比例的不变性。矩特征目前已经广泛应用于形状分析、目标识别图像分析等领域，虽然矩不变量一般用于刚体形状识别，对于变形人体可能稳定性不如刚体，但对于直立、屈体、行走等典型姿态还是有较强的区分能力，可以作为一种形状特征使用。 　　对于一幅图像f （x，y） 的二维（p+q）阶几何矩定义为 　　通过归一化处理可以得到7个关于图像中心的几何矩不变量，其中前6个平移、旋转和比例缩放不变，本文取其作为人体的特征向量Φ={Φ1，Φ2，Φ3，Φ4，Φ5，Φ6}。 　　4 人体姿态识别多特征神经网络的建立、训练与融合 　　4.1 多神经网络的建立 　　特征向量的组织在人体姿态识别中是非常重要的，一般一个神经网络对应一种类型的特征分类，然而将各种特征组合在一起形成一个特征向量，不仅训练时间长，而且训练后网络的泛化性不够理想，所以本文建立了3个B