姜瑩礁

（武警內蒙古總隊，內蒙古 呼和浩特010100）

1 概述

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。

2 人體運動目標檢測與跟蹤

2.1 單模態(tài)高斯背景模型檢測人體輪廓特征

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。

2.2 Meanshift 粒子濾波算法跟蹤人體運動特征

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

3 人體運動目標特征提取

3.1 選取人體外形輪廓特征

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。

3.2 人體運動特征提取

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。

3.3 基于譜系聚類的特征選擇

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。

4 人體行為識別

4.1 RBF 神經(jīng)網(wǎng)絡

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

4.2 聚類指標性能評價

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。

5 人體行為識別實驗與分析

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

6 結論

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。