基于RBF 神經網絡的人體行為識別技術研究

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網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。采用改進的神經網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 單模態高斯背景模型檢測人體輪廓特征

利用單模態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。利用該模型檢測到的人體運動狀態，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。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，計算出人體動作特征的低頻分量部分，用連續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。

選擇混合特征描述人體行為特征，以向量的形式輸入神經網絡分類器，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，能夠根據數據內部的特點獲取最優分類數目。

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幀描述特征向量。取運動圖像序列連續視頻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，減少了數據冗余，提高訓練精度，保證了行為識別率。

4 人體行為識別

4.1 RBF 神經網絡

首層為輸入層，有n 個輸入節點，只起到數據傳導的功能，對應輸入向量的單分量；第二層是隱含層，有p 個隱節點，神經元的核心函數是高斯函數，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 神經網絡

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，可能得出偽最優劃分。所以，本文選取了評估參數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 神經網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，對經典RBF 神經網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）設隱含層節點數為p0。

（3）設定聚類的目標函數為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 神經網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 神經網絡模型中進行測試。

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典神經網絡和改進的神經網絡分類器。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 神經網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。

圖5 算法比較曲線圖

6 結論

本文提出了改進的神經網絡算法，算法的優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。