基于聚类神经网络人体行为识别研究.docVIP

基于聚类神经网络人体行为识别研究 　　摘要：本文提出了基于融合特征的聚类神经网络人体行为识别方法。采用了傅里叶描述子提取人体动作外形轮廓，利用外接矩形长宽比及变化率表征人体运动特征；提出了聚类分离度和紧密度相结合的Silhouette宽度，定义了训练参数目标误差为均方根误差RMS，采用改进的基于聚类的RBF神经网络进行行为识别。仿真实验表明，该方法能有效识别人体行为类别，应用效果满足实际要求。 　　关键词：背景差分；中心距；类内类间距离；均方根误差 　　中图分类号：TP391.41 文献标识码：A 　　0 引言 　　基于视频的人体行为识别技术研究是计算机视觉的重点课题。如何设计一种高效鲁棒性的识别算法，一直是人体行为识别领域研究的热点。 　　本文提出基于融合特征的聚类神经网络的人体行为识别方法。采用人体外形特征和运动特征相结合的方法提取人体行为关键特征，获得了最优的特征表征。提出了结合聚类分离性与紧致性的评估参数Silhouette宽度，采用改进聚类方法的RBF神经网络方法对人体行为进行识别。能够较好地提升识别的准确度。 　　1 人体轮廓提取 　　人体运动图像的轮廓提取主要由4个步骤构成。图像去噪采用用高斯噪声先定位再去噪的方法，背景分割采用背景差分法，阴影去除根据亮度差分公式在颜色空间中去除影响，轮廓提取采用边界跟踪算法。 　　2 特征提取 　　2.1 傅里叶描述子算法选取人体外形轮廓特征 　　为了降低时间复杂程度，本文选用基于中心距的傅里叶变换来提取人体行为特征。 　　将傅里叶系数归一化，得到人体特征的傅立叶描述算子： 　　（1） 　　选用64个低频分量当作人体轮廓识别的特征： 　　（2） 　　2.2 人体运动特征提取 　　用外接矩形长宽比及变化率表示人体运动特征。 　　外接矩形长宽比表示为： 　　（3） 　　前后两帧的长宽比变化率为： 　　（4） 　　2.3 人体外形轮廓特征和运动特征相结合 　　选取64维人体外形特征，同时选取人体运动外接矩形长宽比及变化率作为人体运动特征[1]，分别取上面2个人体运动特征的标准差、方差和均值与外形特征一起构成，维数为70的个样本。选择275个样本，构成70×275的样本矩阵，一起作为分类器的输入。 　　3 基于聚类RBF神经网络的人体行为识别 　　3.1 RBF神经网络 　　径向基神经网络是ANN内一类含有单隐层的三层前馈型网络，可以取任何精度接近连续函数。 　　3.2 聚类性能评价 　　RBF神经网络作为完全没有先验认识非监督学习的聚类分析，需要进行性能的评估。我们尝试研究一些数学上评价聚类性能的指标[2]，第一个评价指标是分离度，包括各种衡量聚类间分离程度的度量，第二个评价指标是紧致性或一致性，最常见的指标是误差平方和。 　　假使仅注重聚类的类内距离（评估聚类的紧致性）或聚类的类间距离（评估聚类的分离度）间的单一方面，则有可能获得平凡的聚类结果。所以，把相反的2项参数指标结合，制定出可以反映出各方面综合性能的评估标准，可使得聚类效果最优。对于此种情况，该文选取了聚类分离性与紧致性的评估参数Silhouette宽度。 　　3.3 基于聚类RBF神经网络的人体行为识别算法 　　本文选取了结合聚类紧致性和分离性的评价指标Silhouette宽度，改进了经典RBF神经网络中的类方法进行，能够较好地提升识别的精确度。 　　算法流程[3]： 　　（1）人体融合特征组成分类器输入矩阵 ，输出矩阵为 。 　　（2）设定神经网络的隐含层节点数是PO，节点聚类运用k-means算法迭代运算，计算得出扩展常数以及中心点的值。 　　（3）规定聚类的目标函数S表达式： 　　（5） 　　（6） 　　S（i）称为Silhouette值，全部样本Silhouette值的平均值S定义为Silhouette宽度，且该取值在[-1，1]之间。公式中1≤i≤N， ai表示样本i到与它同一类别的全部样本的平均距离，bi代表样本i到其他聚类中最近一个聚类中全部样本的平均距离。Silhouette??度越大，聚类效果越好。 　　根据式（6）计算目标函数S的值，若 （为判断聚类结束的目标值，本文取=0.8），则聚类结束，否则进一步更新隐含层节点数P，返回步骤（2），直到达到给定的判断聚类结束的目标值，此时确定隐含层的节点数p、聚类中心ci及扩展常数。 　　（4）根据神经网络公式计算隐含层单元的输出。 　　（5）计算第k个隐含层到输出层的真实输出为： 　　（7） 　　其中i=1，2，…，p， k=1，2，…，m，为隐含层第i个节点与输出层第k个节点之间的权值。 　　（6）定义聚类神经网络输出的均方根误差RMS 　　（8） 　　上式中，Y为