姜瑩礁
(武警內蒙古總隊,內蒙古 呼和浩特010100)
本文提出基于聚類的神經(jīng)網(wǎng)絡人體行為識別算法[1]。粒子濾波基礎上引入具有聚類作用的MeanShift 算法,提高了粒子的利用率。采用混合特征方法表征人體特征。采用改進的神經(jīng)網(wǎng)絡模型對人體行為進行識別,提升了識別的準確度。
利用單模態(tài)高斯背景模型對人體目標進行檢測和分割,獲取人體目標在時間及空間上的變化狀態(tài)。利用該模型檢測到的人體運動狀態(tài),對當前幀與背景模型的進行差值化處理陰影去除,分割出人體的運動軌跡和背景。
均值偏移離子濾波算法[2]中,除了用到了粒子采用,狀態(tài)轉移,權值的修正等步驟,將均值偏移嵌入到粒子濾波算法框架,利用均值偏移算法對粒子進行聚類,還對不同的粒子進行種類的劃分,明確粒子的運動途徑和種類,能夠實時準確跟蹤粒子狀態(tài)。算法框架如圖1 所示。
圖1 兩種粒子濾波算法框架
傅里葉描述子算法把人體輪廓的點集轉換到平面上,對有序點集取傅里葉變換。圖2 為人體姿態(tài)圖中的1 幅圖像。
圖2 人體輪廓及側影提取
利用傅里葉算法[3]來選取人體外形輪廓特征,人體行為特征全部距離組成的特征矢量為
此處對R 進行離散的傅里葉變換:
歸一化傅里葉系數(shù),計算出人體動作特征的低頻分量部分,用連續(xù)傅立葉算子表征人體輪廓特征。
利用速率表征人體運動特征,圖像間位移[4]為:
設定人體運動視頻幀速率為25f/s,速率為:
人體運動速率表示為:
其中,n 是樣本的幀數(shù)。
選擇混合特征描述人體行為特征,以向量的形式輸入神經(jīng)網(wǎng)絡分類器,提取的人體外形和運行融合特征包含的信息就越完整,人體行為識別率也會相應的提高。
譜系聚類[6]作為一種逐次合并類的分析算法,能夠根據(jù)數(shù)據(jù)內部的特點獲取最優(yōu)分類數(shù)目。
聚類算法的基本思想是在待聚類樣本集中,計算所有聚類向量兩兩的距離得到一個對稱距離矩陣,在矩陣對角線一側找到距離最近的兩個聚類向量合并為一類,對稱距離矩陣階數(shù)減一。重復上述步驟,直到所有聚類向量合并為一個大類。當然,合并成一個類就失去了聚類的意義,所以聚類過程應該在某個類水平數(shù)停下來,最終的類就取這些未合并的類。
本文當矩陣合并為12 個大類(T=12)時停止合并,得到12個非奇異特征向量,取每個聚類的中心幀作為關鍵姿態(tài)幀描述特征向量。取運動圖像序列連續(xù)視頻25 幀進行聚類合并,從25x64 個特征中選擇25xl2 個最有效的特征分量來表達原始樣本,從而極大的降低了樣本維數(shù),減少了數(shù)據(jù)冗余,提高訓練精度,保證了行為識別率。
首層為輸入層,有n 個輸入節(jié)點,只起到數(shù)據(jù)傳導的功能,對應輸入向量的單分量;第二層是隱含層,有p 個隱節(jié)點,神經(jīng)元的核心函數(shù)是高斯函數(shù),對輸入信息進行空間投影轉換;再一層是輸出層,有m 個輸出。其拓撲結構如圖3 所示。
圖3 RBF 神經(jīng)網(wǎng)絡
假使僅注重聚類的緊致性或聚類的分離度的單一方面,可能得出偽最優(yōu)劃分。所以,本文選取了評估參數(shù)Silhouette 寬度[5],能夠結合聚類分離性與緊致性,較好地提升識別的準確度。
4.3 基于聚類RBF 神經(jīng)網(wǎng)絡的人體行為識別算法
本文選取了結合聚類緊致性和分離性的評價指標Silhouette 寬度,對經(jīng)典RBF 神經(jīng)網(wǎng)絡中的類方法進行改進。算法流程[6]:
(1)人體特征組成分類器輸入矩陣X=[X1,X2…,XN],則第l個樣本為Xl=[X1l,X2l,…,Xnl]T(l=1,2,…,N),輸出矩陣為O=[O1,O2,…,ON]。
(2)設隱含層節(jié)點數(shù)為p0。
(3)設定聚類的目標函數(shù)為S
全部樣本的平均值S 定義為Silhouett 寬度,樣本的寬度越大,聚類效果越好,且該取值在[-1,1]之間。
(4)定義RBF 神經(jīng)網(wǎng)絡輸出的均方根誤差RMS
采用有導師學習方法修正權值,多次訓練直至RMS 小于給定的目標誤差ε。
(5)輸入樣本到改進的聚類RBF 神經(jīng)網(wǎng)絡模型中進行測試。
本文分類研究6 種類型的行動,依次是:走(walk),跑(run),跳(jump)、側走(sideways)、彎腰(bend)、單腿跳(skip)。
實驗1 本文采用交叉驗證的方法評價經(jīng)典神經(jīng)網(wǎng)絡和改進的神經(jīng)網(wǎng)絡分類器。仿真實驗證明,改進的聚類算法識別率提高了分類器的識別率。
訓練曲線表明,RBF 神經(jīng)網(wǎng)絡具有收斂快的特點。
圖4 算法訓練誤差曲線圖
實驗2 實驗利用3 種方法對6 種類型的人體行為進行識別。仿真實驗證明,本文提出的算法性能最優(yōu)。
圖5 算法比較曲線圖
本文提出了改進的神經(jīng)網(wǎng)絡算法,算法的優(yōu)點在于建立目標模型有效,識別準確性高,并且算法有效、具有魯棒性。