姜瑩礁

摘要：本文提出了基于融合特征的聚類神經(jīng)網(wǎng)絡(luò)人體行為識別方法。采用了傅里葉描述子提取人體動作外形輪廓，利用外接矩形長寬比及變化率表征人體運(yùn)動特征；提出了聚類分離度和緊密度相結(jié)合的Silhouette寬度，定義了訓(xùn)練參數(shù)目標(biāo)誤差為均方根誤差RMS，采用改進(jìn)的基于聚類的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行行為識別。仿真實(shí)驗(yàn)表明，該方法能有效識別人體行為類別，應(yīng)用效果滿足實(shí)際要求。

關(guān)鍵詞：背景差分；中心距；類內(nèi)類間距離；均方根誤差

中圖分類號：TP391.41 文獻(xiàn)標(biāo)識碼：A

0 引言

基于視頻的人體行為識別技術(shù)研究是計(jì)算機(jī)視覺的重點(diǎn)課題。如何設(shè)計(jì)一種高效魯棒性的識別算法，一直是人體行為識別領(lǐng)域研究的熱點(diǎn)。

本文提出基于融合特征的聚類神經(jīng)網(wǎng)絡(luò)的人體行為識別方法。采用人體外形特征和運(yùn)動特征相結(jié)合的方法提取人體行為關(guān)鍵特征，獲得了最優(yōu)的特征表征。提出了結(jié)合聚類分離性與緊致性的評估參數(shù)Silhouette寬度，采用改進(jìn)聚類方法的RBF神經(jīng)網(wǎng)絡(luò)方法對人體行為進(jìn)行識別。能夠較好地提升識別的準(zhǔn)確度。

1 人體輪廓提取

人體運(yùn)動圖像的輪廓提取主要由4個步驟構(gòu)成。圖像去噪采用用高斯噪聲先定位再去噪的方法，背景分割采用背景差分法，陰影去除根據(jù)亮度差分公式在顏色空間中去除影響，輪廓提取采用邊界跟蹤算法。

2 特征提取

2.1 傅里葉描述子算法選取人體外形輪廓特征

為了降低時間復(fù)雜程度，本文選用基于中心距的傅里葉變換來提取人體行為特征。

將傅里葉系數(shù)歸一化，得到人體特征的傅立葉描述算子：

（1）

選用64個低頻分量當(dāng)作人體輪廓識別的特征：

（2）

2.2 人體運(yùn)動特征提取

用外接矩形長寬比及變化率表示人體運(yùn)動特征。

外接矩形長寬比表示為：

（3）

前后兩幀的長寬比變化率為：

（4）

2.3 人體外形輪廓特征和運(yùn)動特征相結(jié)合

選取64維人體外形特征，同時選取人體運(yùn)動外接矩形長寬比及變化率作為人體運(yùn)動特征[1]，分別取上面2個人體運(yùn)動特征的標(biāo)準(zhǔn)差、方差和均值與外形特征一起構(gòu)成，維數(shù)為70的個樣本。選擇275個樣本，構(gòu)成70×275的樣本矩陣，一起作為分類器的輸入。

3 基于聚類RBF神經(jīng)網(wǎng)絡(luò)的人體行為識別

3.1 RBF神經(jīng)網(wǎng)絡(luò)

徑向基神經(jīng)網(wǎng)絡(luò)是ANN內(nèi)一類含有單隱層的三層前饋型網(wǎng)絡(luò)，可以取任何精度接近連續(xù)函數(shù)。

3.2 聚類性能評價(jià)

RBF神經(jīng)網(wǎng)絡(luò)作為完全沒有先驗(yàn)認(rèn)識非監(jiān)督學(xué)習(xí)的聚類分析，需要進(jìn)行性能的評估。我們嘗試研究一些數(shù)學(xué)上評價(jià)聚類性能的指標(biāo)[2]，第一個評價(jià)指標(biāo)是分離度，包括各種衡量聚類間分離程度的度量，第二個評價(jià)指標(biāo)是緊致性或一致性，最常見的指標(biāo)是誤差平方和。

假使僅注重聚類的類內(nèi)距離（評估聚類的緊致性）或聚類的類間距離（評估聚類的分離度）間的單一方面，則有可能獲得平凡的聚類結(jié)果。所以，把相反的2項(xiàng)參數(shù)指標(biāo)結(jié)合，制定出可以反映出各方面綜合性能的評估標(biāo)準(zhǔn)，可使得聚類效果最優(yōu)。對于此種情況，該文選取了聚類分離性與緊致性的評估參數(shù)Silhouette寬度。

3.3 基于聚類RBF神經(jīng)網(wǎng)絡(luò)的人體行為識別算法

本文選取了結(jié)合聚類緊致性和分離性的評價(jià)指標(biāo)Silhouette寬度，改進(jìn)了經(jīng)典RBF神經(jīng)網(wǎng)絡(luò)中的類方法進(jìn)行，能夠較好地提升識別的精確度。

算法流程[3]：

（1）人體融合特征組成分類器輸入矩陣 ，輸出矩陣為 。

（2）設(shè)定神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)是PO，節(jié)點(diǎn)聚類運(yùn)用k-means算法迭代運(yùn)算，計(jì)算得出擴(kuò)展常數(shù)以及中心點(diǎn)的值。

（3）規(guī)定聚類的目標(biāo)函數(shù)S表達(dá)式：

（5）

（6）

S（i）稱為Silhouette值，全部樣本Silhouette值的平均值S定義為Silhouette寬度，且該取值在[-1，1]之間。公式中1≤i≤N， ai表示樣本i到與它同一類別的全部樣本的平均距離，bi代表樣本i到其他聚類中最近一個聚類中全部樣本的平均距離。Silhouette寬度越大，聚類效果越好。

根據(jù)式（6）計(jì)算目標(biāo)函數(shù)S的值，若 （為判斷聚類結(jié)束的目標(biāo)值，本文取=0.8），則聚類結(jié)束，否則進(jìn)一步更新隱含層節(jié)點(diǎn)數(shù)P，返回步驟（2），直到達(dá)到給定的判斷聚類結(jié)束的目標(biāo)值，此時確定隱含層的節(jié)點(diǎn)數(shù)p、聚類中心ci及擴(kuò)展常數(shù)。

（4）根據(jù)神經(jīng)網(wǎng)絡(luò)公式計(jì)算隱含層單元的輸出。

（5）計(jì)算第k個隱含層到輸出層的真實(shí)輸出為：

（7）

其中i=1，2，…，p， k=1，2，…，m，為隱含層第i個節(jié)點(diǎn)與輸出層第k個節(jié)點(diǎn)之間的權(quán)值。

（6）定義聚類神經(jīng)網(wǎng)絡(luò)輸出的均方根誤差RMS

（8）

上式中，Y為實(shí)際輸出，O為目標(biāo)輸出，迭代計(jì)算出RMS的值，如果RMS<ε（ε為設(shè)定的目標(biāo)誤差），則訓(xùn)練結(jié)束，否則修正權(quán)值繼續(xù)訓(xùn)練直到小于設(shè)定的誤差。

（7）在訓(xùn)練建立的RBF神經(jīng)網(wǎng)絡(luò)模型中，輸入測試樣本進(jìn)行測試。

4 實(shí)驗(yàn)與分析

硬件條件：Intel Core Duo i7，2.3GHz，4GB DDR3內(nèi)存的微機(jī)。

軟件條件：Windows XP，以及MATLAB R2008b。

為驗(yàn)證改進(jìn)算法的有效性，將其與現(xiàn)有的成熟算法BME-SCHMM、SVM來試驗(yàn)對比。

實(shí)驗(yàn)：三種算法對選取的六種類別的人體行為走（walk）、跑（run）、跳（jump）、彎腰（bend）、側(cè)走（sideways）、單腿跳（skip）進(jìn)行識別。

試驗(yàn)結(jié)果證明，本文選取的方式在識別時間與效率、識別準(zhǔn)確率上均優(yōu)于另外兩種方法。

5 結(jié)論

本文提出了基于特征融合的聚類RBF神經(jīng)網(wǎng)絡(luò)的人體行為識別方法，方法的優(yōu)點(diǎn)在于算法穩(wěn)定性好，識別誤差率低，識別效果良好。

參考文獻(xiàn)：

[1]黃先鋒.基于運(yùn)動和外形特征的人體行為識別[J].計(jì)算機(jī)工程，2010，36（5）.

[2]孫即祥，姚偉，滕書華.模式識別[M].北京：國防工業(yè)出版社，2009.

[3]伍彩紅.基于視覺的人體行為識別研究[D].華中師范大學(xué)碩士論文，2011，5，1.