基于RBF 神经网络的人体行为识别技术研究

2020-10-26姜莹礁

科学技术创新 2020年30期

关键词：分类器粒子聚类

姜莹礁

（武警内蒙古总队，内蒙古呼和浩特010100）

1 概述

本文提出基于聚类的神经网络人体行为识别算法[1]。粒子滤波基础上引入具有聚类作用的MeanShift 算法，提高了粒子的利用率。采用混合特征方法表征人体特征。采用改进的神经网络模型对人体行为进行识别，提升了识别的准确度。

2 人体运动目标检测与跟踪

2.1 单模态高斯背景模型检测人体轮廓特征

利用单模态高斯背景模型对人体目标进行检测和分割，获取人体目标在时间及空间上的变化状态。利用该模型检测到的人体运动状态，对当前帧与背景模型的进行差值化处理阴影去除，分割出人体的运动轨迹和背景。

2.2 Meanshift 粒子滤波算法跟踪人体运动特征

均值偏移离子滤波算法[2]中，除了用到了粒子采用，状态转移，权值的修正等步骤，将均值偏移嵌入到粒子滤波算法框架，利用均值偏移算法对粒子进行聚类，还对不同的粒子进行种类的划分，明确粒子的运动途径和种类，能够实时准确跟踪粒子状态。算法框架如图1 所示。

图1 两种粒子滤波算法框架

3 人体运动目标特征提取

3.1 选取人体外形轮廓特征

傅里叶描述子算法把人体轮廓的点集转换到平面上，对有序点集取傅里叶变换。图2 为人体姿态图中的1 幅图像。

图2 人体轮廓及侧影提取

利用傅里叶算法[3]来选取人体外形轮廓特征，人体行为特征全部距离组成的特征矢量为

此处对R 进行离散的傅里叶变换：

归一化傅里叶系数，计算出人体动作特征的低频分量部分，用连续傅立叶算子表征人体轮廓特征。

3.2 人体运动特征提取

利用速率表征人体运动特征，图像间位移[4]为：

设定人体运动视频帧速率为25f/s，速率为：

人体运动速率表示为：

其中，n 是样本的帧数。

选择混合特征描述人体行为特征，以向量的形式输入神经网络分类器，提取的人体外形和运行融合特征包含的信息就越完整，人体行为识别率也会相应的提高。

3.3 基于谱系聚类的特征选择

谱系聚类[6]作为一种逐次合并类的分析算法，能够根据数据内部的特点获取最优分类数目。

聚类算法的基本思想是在待聚类样本集中，计算所有聚类向量两两的距离得到一个对称距离矩阵，在矩阵对角线一侧找到距离最近的两个聚类向量合并为一类，对称距离矩阵阶数减一。重复上述步骤，直到所有聚类向量合并为一个大类。当然，合并成一个类就失去了聚类的意义，所以聚类过程应该在某个类水平数停下来，最终的类就取这些未合并的类。

本文当矩阵合并为12 个大类（T=12）时停止合并，得到12个非奇异特征向量，取每个聚类的中心帧作为关键姿态帧描述特征向量。取运动图像序列连续视频25 帧进行聚类合并，从25x64 个特征中选择25xl2 个最有效的特征分量来表达原始样本，从而极大的降低了样本维数，减少了数据冗余，提高训练精度，保证了行为识别率。