基于加权Hu矩与HOG特征自适应融合人体行为识别新方法.docx

基于加权Hu矩与HOG特征自适应融合人体行为识别新方法 摘要：针对HOG在强噪条件下以及加权Hu矩在 弱噪条件下识别性能较差的情况，通过最小二乘拟合估计加 权系数与噪声参数之间的映射关系，自适应调整融合参数达 到将加权Hu矩和HOG特征融合的目的。实验证明，基于加 权Hu矩和HOG的特征识别对噪声的容忍度更好，适用范 更广，识别率更稳定。 关键词：加权Hu矩；噪声估计；自适应融合；加 权系数 中图分类号：TN911.73234文献标识码：A文章编号: 1004?373X (2014) 01?0014?05 0引言 近年来，随着计算机视觉技术的发展，人体行为识别逐 渐成为研究的热点。如何有效地从图像序列中获得人体行为 特征成为了研究的关键。其中，HOG和Hu矩是十分常见的两 种特征提取方法，然而针对场景中的噪声变化，这两种方法 的适应范围较小，识别率变化较大。因此，本文中将重点讨 论两种特征的融合算法,以达到对噪声容忍度好 论两种特征的融合算法, 以达到对噪声容忍度好, 适用范围 大的目的。 1特征提取算法 1. 1方向梯度直方图描述子（HOG） HOG （Histogram of Oriented Gradient）算法通过计 算局部区域上的梯度方向直方图来构成人体特征，能够很好 地描述图像局部区域外观和形状，HOG是在Cell和Block的 网格内进行计算的，Cell由若干像素点构成，Block由若干 相邻的Cell构成，HOG算子提取的流程如图1所示。 图1 HOG特征提取流程图 本文中进行HOG特征提取时，输入图像大小为64X80, Cell大小为8X8, Block大小为16X16, Block的步进为8 个像素，梯度方向将360°分为9个区间。 为了验证HOG特征的性能，分别采集200帧挥手、弯腰、 走路以及展腹跳的帧图像，其中每种动作的100帧（共400 帧）作为训练样本，每种动作的余下100帧（共400帧）作 为测试样本，见表1。 分别提取训练样本和测试样本的HOG特征提取算子，以 euclidean距离作为判别准则进行模板的匹配。此外，为了 验证算法在噪声情况下的鲁棒性，对测试样本进行了加噪处 理（高斯噪声方差0.01,椒盐噪声密度0.02）,识别率见表 2o 从表2可知，HOG特征提取算子对未加噪声的图像识别 率很高，但是若测试样本存在强噪声时，则识别性能大幅度 下降。因此，依靠单一的HOG特征提取算子进行人体行为的 识别，性能较差。 表1四种人体行为图像 表2 HOG特征识别率% [\挥手\弯腰\展腹跳\走路\识别率\原始 图像 \100\97\99\98\ 98\ 加噪后 \83\65 \ 57\55\65\] 1.2加权Hu矩描述子 Hu M. K.在文献[1]中利用代数不变矩理论构造出7个不 变矩，这种不变矩在平移、约束缩放、旋转下保持不变，但 对图像细节信息的表征有限，不具备非约束缩放不变性且识 别率较低。因此，本文中提出一种加权Hu矩算子，具体流 程如图2所示。 图2加权Hu矩特征提取流程图 首先，为了获得更多的图像细节信息，将传统Hu矩进 行扩展，并且对扩展Hu矩进行修正，使得图像在缩放的条 件下，依然保持不变性。然而，在进行特征提取时，传统的 判别准则认为不同Hu矩对行为判别的贡献值是一致的，而 实际情况往往不是这样。因此，应充分考虑不同Hu矩的贡 献值，构造一个Hu加权矩。本文采用对9个扩展Hu修正矩 进行线性规划，找到每个Hu修正矩的最优加权值，进而构 造一个Hu加权修正矩。 设构造成的新的加权修正矩为： ［①二 o 1①〃 1+0 2①〃 2+. .. + 0 9①〃 9, i=19o i=l, 0 加权Hu矩和HOG特征融合流程图如图3所示。 图3加权Hu矩和HOG特征融合流程图 由图3可知，首先提取训练样本的噪声参数，然后提取 训练样本图像的HOG特征和加权Hu矩特征，再选用适当的 融合算法进行特征的融合，从而得到训练样本的特征向量； 对于测试样本，采用与训练样本相同的步骤，提取出测试样 本的特征向量。最后，将测试样本与训练样本集进行模板匹 配，从而得到匹配结果。整个流程的关键步骤在于特征融合 算法的确立。 提取的HOG的特征向量［Tl=［xl, x2,…，x36］,］加权 Hu矩的特征向量为［T2=［y］］,为了实现特征的融合，将找到 合适的［a］和［R,］使得融合后的新特征向量满足： ［T=clT1+BT2, a+B 二1］ 其中［a ］与［B］分别为HOG和加权Hu矩的加权系数。 图像中的噪声以高斯噪声和椒盐噪声的形式存在。其 中，高斯噪声的强度［IG］可由均值［m］和方差［v］表示，椒盐 噪声的强度［IJ］可由噪声密度［d］表示，我们可将高斯噪声 的均值附加到图像的均值上