劉艷麗，陳躍東

(安徽工程大學，安徽省電氣傳動與控制重點實驗室，安徽 蕪湖241000)

針對存在的問題，文章提出將BP神經(jīng)網(wǎng)絡(luò)與Adaboost算法相結(jié)合，就是把BP網(wǎng)絡(luò)當作弱分類器，反復訓練BP網(wǎng)絡(luò)用來預(yù)測樣本的輸出，BP_Adaboost模型即用Adaboost算法把多個BP網(wǎng)絡(luò)的弱分類器組合成強分類器。提取目標的局部特征作為神經(jīng)網(wǎng)絡(luò)輸入特征向量，可以有效避免局部遮擋及目標姿態(tài)變化帶來的影響，大大提高跟蹤算法的魯棒性。

1 BP神經(jīng)網(wǎng)絡(luò)跟蹤模型

1.1 運動目標局部特征提取

目標跟蹤常用到的特征有:顏色、紋理、灰度和邊緣特征等。這些特征表述結(jié)構(gòu)簡單，提取方便快速，可以滿足目標跟蹤的要求。但在目標所在環(huán)境復雜的時候，提取的特征易受到干擾，對跟蹤準確性影響很大。為了解決這個問題文章提出依靠提取目標局部特征來提高跟蹤性能。局部特征的優(yōu)點在于它具有很多不變性(旋轉(zhuǎn)、仿射、尺度和灰度不變性等)和魯棒性(局部特征對圖像噪聲、壓縮、模糊等不敏感)。角點是圖像亮度發(fā)生劇烈變化的點，它是一種典型的局部特征。

Harris算子是基于圖像幾何特征的檢測算法，它定義角點為與自身鄰域亮度相差較大的點，是一種常用的特征角點檢測算子。它通過計算圖像中每個點的興趣值，在鄰域中找出局部最大值點作為圖像中的角點，操作計算簡單。Harris檢測算子在圖像紋理細節(jié)充足的地方可提取大量有用的特征角點，所以Harris算子在提取特征角點上是合理均勻的。Harris使用微分算子對圖像進行微分運算，而微分運算對圖像密度的拉升或收縮和亮度的抬高或下降不敏感，所以即使圖像發(fā)生對比度及亮度的變化也不會影響Harris算子的穩(wěn)定性。

本文采用Harris算子提取運動目標的特征角點，通過計算特征角點7×7鄰域的矩特征建立特征角點的向量，得到一個角點的7維向量，作為BP網(wǎng)絡(luò)輸入特征。

1.2 BP網(wǎng)絡(luò)分類器的設(shè)計

BP網(wǎng)絡(luò)是一種典型的多層前饋網(wǎng)絡(luò)，它的特點是信號向前傳遞和誤差的反向傳遞。BP網(wǎng)絡(luò)實質(zhì)上實現(xiàn)了一個從輸入到輸出的映射功能，而數(shù)學理論已證明它具有實現(xiàn)任何復雜非線性映射的功能。BP網(wǎng)絡(luò)的映射功能是把若干個簡單非線性函數(shù)復合在一起來完成的，這樣通過幾次復合就可以表達極為復雜的非線性函數(shù)關(guān)系，進而解決復雜的實際問題。在基于BP神經(jīng)網(wǎng)絡(luò)的運動跟蹤系統(tǒng)中，BP神經(jīng)網(wǎng)絡(luò)執(zhí)行分類器的作用。BP網(wǎng)絡(luò)分類器包含訓練和檢測兩個階段，如圖1所示。

圖1中上半部分為訓練階段，下半部分是檢測階段，訓練階段中系統(tǒng)根據(jù)己知類別的訓練樣本制定出判別函數(shù)及規(guī)則，分類階段中用訓練好的BP網(wǎng)絡(luò)分類器進行分類。

由于BP神經(jīng)網(wǎng)絡(luò)自身存在的局限性，在對視頻圖像中運動目標進行跟蹤時，BP神經(jīng)網(wǎng)絡(luò)跟蹤的準確性對提取得到的運動目標特征存在很大的依賴性。如果運動目標出現(xiàn)遮擋或姿態(tài)變化，會嚴重影響B(tài)P神經(jīng)網(wǎng)絡(luò)匹配的準確性。所以如何提高神經(jīng)網(wǎng)絡(luò)性能，使其更優(yōu)化是提高目標檢測跟蹤性能的一種方法。

2 BP_Adaboost跟蹤模型

2.1 算法思路

先給出樣本空間(x，y)和弱學習方法，從給出的樣本空間里找出m組訓練的數(shù)據(jù)，使每一組訓練數(shù)據(jù)權(quán)重都為1/m。然后使用弱學習方法進行T次迭代運算，并更新訓練數(shù)據(jù)的權(quán)重分布按照每次運算的分類結(jié)果，對于分類失敗的個體訓練樣本賦予較大的權(quán)重，在下一次的迭代運算中更關(guān)注失敗的訓練個體。通過T次迭代運算弱分類器得到分類函數(shù)f1，f2，…fT，給每一個分類函數(shù)都賦予一個權(quán)重，分類結(jié)果好的函數(shù)，其對應(yīng)的權(quán)重越大。T次迭代運算后，最終的強分類的函數(shù)F可由弱分類的函數(shù)通過加權(quán)得到。BP_Adaboost模型就是把BP網(wǎng)絡(luò)當作弱分類器，反復訓練BP網(wǎng)絡(luò)用來預(yù)測樣本的輸出，即用Adaboost算法把多個BP網(wǎng)絡(luò)的弱分類器組合成強分類器。

目前藥材市場上銷售的雷公藤是否去皮難以判別，特別在大規(guī)模生產(chǎn)中，性狀鑒別存在一定的片面性，無法有效地控制工藝水準。甚至有文獻研究顯示，基于雷公藤皮部中的雷公藤甲素等成分含量更高[8]，為提高雷公藤多苷提取率，存在著部分廠商有意選取去皮不完全的雷公藤進行投料的情況。這一做法隱蔽性強，雖可提高有效成分的提取率，但存在過高產(chǎn)生未知副作用的風險，給后期監(jiān)管帶來困難。在當前強調(diào)安全用藥與療效并重的背景下，如何在投料前快速判別雷公藤去皮減毒工藝的水平，有效監(jiān)管違規(guī)投料行為，值得行業(yè)關(guān)注和研究。

2.2 BP_Adaboost跟蹤算法

基于BP_Adaboost的運動目標跟蹤算法的步驟如下:

網(wǎng)絡(luò)的初始化和數(shù)據(jù)的選擇。從所給樣本空間中選擇m組訓練數(shù)據(jù)樣本，并初始化樣本的權(quán)值分布Dt(i)=1/m，由樣本的輸入和輸出維數(shù)可確定網(wǎng)絡(luò)的結(jié)構(gòu)，初始化BP網(wǎng)絡(luò)的閾值和權(quán)值。

弱分類器的預(yù)測。在訓練弱分類器時，用樣本訓練BP網(wǎng)絡(luò)并預(yù)測訓練樣本的輸出，得到了預(yù)測序列g(shù)(t)的預(yù)測誤差和et

式中y－期望的分類結(jié)果;g(t)－預(yù)測的分類結(jié)果。

預(yù)測權(quán)重的計算。由預(yù)測序列g(shù)(t)的預(yù)測誤差et計算權(quán)重at。計算公式為

測試樣本的權(quán)重調(diào)整。由預(yù)測序列的權(quán)重at調(diào)整下一輪的訓練數(shù)據(jù)樣本的權(quán)重，公式為

得到強分類函數(shù)。T輪訓練后可得到T組弱分類函數(shù)f(gt，at)，根據(jù)T組弱分類函數(shù)f(gt，at)可組合得到強分類函數(shù)h(x)。

3 仿真實驗

根據(jù)Adaboost和BP神經(jīng)網(wǎng)絡(luò)原理，在MatlabR2011a環(huán)境下，編程實現(xiàn)基于BP_Adaboost算法的目標跟蹤。采用Harris算子提取運動目標的特征角點，計算特征角點7×7鄰域的矩特征建立特征角點的向量，得到一個角點的7維向量，從而構(gòu)造出一個7維輸入1維輸出的BP神經(jīng)網(wǎng)絡(luò)。

實驗采用結(jié)構(gòu)為7－15－1的BP神經(jīng)網(wǎng)絡(luò)，BP網(wǎng)絡(luò)的訓練次數(shù)、訓練目標、學習率的參數(shù)設(shè)置分別為100、0.000 01和0.01。BP_Adaboost共訓練產(chǎn)成10個BP網(wǎng)絡(luò)的弱分類器，組成強分類器對運動目標進行跟蹤。

為了驗證算法的有效性，文章對不同環(huán)境條件下兩組視頻中的運動目標采用BP_Adaboost算法進行跟蹤，拍攝了card.avi和book.avi兩組視頻圖像序列，它們的尺寸都為320×240。

用訓練好的BP神經(jīng)網(wǎng)絡(luò)模型和BP_Adaboost模型分別對兩組視頻中的運動目標進行跟蹤，兩種模型分類誤差如圖2所示。

從圖2中可以看出，采用強分類器后，分類誤差明顯低于BP弱分類器的分類誤差，說明BP_Adaboost模型具有良好的分類效果。表1給出了兩種跟蹤模型的實驗數(shù)據(jù)。從表中的數(shù)據(jù)比較分析可以看出引入Adaboost算法以后，通過反復訓練BP網(wǎng)絡(luò)弱分類器，并根據(jù)訓練樣本分類結(jié)果調(diào)整訓練樣本權(quán)重，最終得出一系列弱分類器及其權(quán)重并組成的強分類器，使得分類器的分類正確率提高了。說明基于BP_Adaboost模型的跟蹤算法能夠準確的跟蹤目標。

表1 兩種模型的分類正確率比較Tab.1 The comparison of the classification correctness of the two models

在第一組實驗神經(jīng)網(wǎng)絡(luò)的訓練過程中，選取130幀視頻序列中的前10幀作為輸入訓練樣本集，并用其中一幀建立BP網(wǎng)絡(luò)弱分類器的輸入特征向量。用訓練好的BP_Adaboost網(wǎng)絡(luò)對其余120幀視頻圖像序列中運動目標進行跟蹤，得到的跟蹤結(jié)果如圖3所示。

視頻中運動目標是一張卡通圖片，當運動目標發(fā)生了旋轉(zhuǎn)和大小縮放等姿態(tài)變化時，基于BP_Adaboost和目標局部特征的跟蹤算法仍能夠準確跟蹤目標。表明基于BP_Adaboost的目標跟蹤算法提高了跟蹤系統(tǒng)的魯棒性。

第二組實驗驗證的是遮擋情況下的跟蹤性能。第二組實驗視頻為110幀，選取前10幀作為訓練樣本集，用訓練好的BP_Adaboost模型對視頻中運動目標進行跟蹤，得到的跟蹤結(jié)果如圖4所示。

第二組視頻中的運動目標為紅色小冊子，白色框是跟蹤冊子的結(jié)果。由圖可知，即使目標部分遮擋時，文章的算法仍能成功跟蹤到運動目標，且跟蹤的輪廓沒有發(fā)生形變，當遮擋過大運動目標的大部分特征角點不能檢測到時則不能成功跟蹤目標。但如果目標再次出現(xiàn)在場景中時，它就能被成功的跟蹤。所以基于BP_Adaboost和目標局部特征的跟蹤算法對于目標局部遮擋及姿態(tài)變化的情況都能有效跟蹤，很大提高了跟蹤算法的魯棒性。

4 結(jié)語

從神經(jīng)網(wǎng)絡(luò)算法的選擇和目標特征提取兩個方面考慮提高目標檢測的正確率。在神經(jīng)網(wǎng)絡(luò)算法的選擇中將BP神經(jīng)網(wǎng)絡(luò)與Adaboost算法相結(jié)合即用Adaboost算法把多個BP網(wǎng)絡(luò)的弱分類器組合成強分類器;在目標特征提取中采用Harris算子提取運動目標的特征角點，作為BP網(wǎng)絡(luò)輸入特征。從文中實驗結(jié)果可知，該算法能有效避免局部遮擋及目標姿態(tài)變化帶來的影響，大大提高跟蹤算法的魯棒性。

[1]HARITAOGLU，HARWOOD D，DAVIS L.W4:Realtime surveillance of people and their activities[J].IEEE Transactions of Pattern Analysis and Machine Intelligence，2000，22(8):809 －830.

[2]COIFMAN B，BEYMER D，MCLAUCHLAN P，et al.A real－time computer vision system for vehicle tracking and traffic surveillance[J].Tansportation Research Part C，1998，6(4):271 －288.

[3]張 禹，馬駟良，張忠波，等.基于AdaBoost算法與神經(jīng)網(wǎng)絡(luò)的快速虹膜檢測與定位算法[J].吉林大學學報，2006:44(2)，233 －236.

[4]金花，曲俊華.基于小波神經(jīng)網(wǎng)絡(luò)的目標跟蹤的研究[J].微計算機信息，2009(24):129－130.

[5]PAN FENG，WANG XUANYIN，XIANG GUIXIAN，et al.A kind of new tracking algorithm of movement object[J].Optics Engineering，2005，32(l):43 －46.

[6] TAI J，TSANG S，LIN C，et al.Real － time image tracking for automatic traffic monitoring and enforcement application[J].Imageand Vision Computing，2004，22(6):485－501.