創(chuàng)新設(shè)計(jì)論文模板

千里之行，始于足下。第2頁(yè)/共2頁(yè)精品文檔推薦創(chuàng)新設(shè)計(jì)論文模板基于頭肩矩特征的人體識(shí)不研究

姓名：XXX，學(xué)號(hào)：XXXXXXXX，20XX級(jí)X班

計(jì)算機(jī)科學(xué)與技術(shù)專(zhuān)業(yè)

摘要：針對(duì)傳統(tǒng)監(jiān)控系統(tǒng)的別腳，研究了智能監(jiān)控系統(tǒng)中活動(dòng)人體目標(biāo)的自動(dòng)檢測(cè)與識(shí)不算法。經(jīng)過(guò)建立人體頭肩二維模型，將頭肩輪廓矩特征向量輸入BP神經(jīng)網(wǎng)絡(luò)完成人體目標(biāo)的鑒不。采納人體局部輪廓形狀特征而非整體特征，對(duì)解決實(shí)際應(yīng)用場(chǎng)合中人體易受遮擋而產(chǎn)生屬性丟失咨詢(xún)題有較好的分類(lèi)效果；采納誤差反向傳播(Back-Propagation，BP)神經(jīng)網(wǎng)絡(luò)分類(lèi)器建立“特征—類(lèi)不”映射關(guān)系以完成人體識(shí)不。實(shí)驗(yàn)結(jié)果表明了本辦法的有效性和較強(qiáng)的魯棒性。關(guān)鍵詞：目標(biāo)提?。粍e變矩；BP神經(jīng)網(wǎng)絡(luò)；骨架模型

0引言

近年來(lái)，運(yùn)動(dòng)人體的視覺(jué)分析已成為計(jì)算機(jī)視覺(jué)領(lǐng)域中一具重要的研究方向，研究基于序列視頻圖像的人體檢測(cè)、識(shí)不、跟蹤以及行為描述與明白，在智能監(jiān)控、智能接口、虛擬現(xiàn)實(shí)等領(lǐng)域有著廣泛的應(yīng)用前景。在視頻監(jiān)控系統(tǒng)中，傳統(tǒng)監(jiān)控模式需保安人員監(jiān)視多個(gè)監(jiān)視器畫(huà)面，工作繁重，效率低，易漏報(bào)。

研制無(wú)人值守的目標(biāo)自動(dòng)檢測(cè)、識(shí)不及跟蹤的智能監(jiān)控和報(bào)警系統(tǒng)，監(jiān)控的有效性將得到非常大提高。VSAM[1]

系統(tǒng)要緊研究戰(zhàn)場(chǎng)及一般民用場(chǎng)景的自動(dòng)監(jiān)控與明白，能實(shí)時(shí)檢測(cè)和跟蹤運(yùn)動(dòng)目標(biāo)(包括人體)；Kuno等

[2]

利用投影直方圖分析目標(biāo)形狀，區(qū)分人體與非人體目標(biāo)；Nicolaou等[3]

利用標(biāo)準(zhǔn)矩和人工神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)不

人形目標(biāo)，這方面研究國(guó)內(nèi)相對(duì)較少[4]

。這些辦法需要目標(biāo)整體形狀信息，采納統(tǒng)計(jì)分類(lèi)器舉行目標(biāo)識(shí)不。關(guān)于某些實(shí)際應(yīng)用如室內(nèi)環(huán)境，運(yùn)動(dòng)人體也許會(huì)受到別同物體的遮擋而產(chǎn)生部分屬性丟失咨詢(xún)題，導(dǎo)致基于目標(biāo)整體形狀信息分析的辦法的有效性落低甚至失效。為此，本文基于目標(biāo)局部輪廓形狀分析并結(jié)合BP分類(lèi)器來(lái)研究監(jiān)控系統(tǒng)中運(yùn)動(dòng)人體的判不咨詢(xún)題。

1基于頭肩矩特征和BP網(wǎng)絡(luò)的人體識(shí)不

人體目標(biāo)呈現(xiàn)強(qiáng)烈的非剛性特點(diǎn)和人體運(yùn)動(dòng)的復(fù)雜性，非常難用一種模型來(lái)準(zhǔn)確描述人體，但人體肩部及以上區(qū)域的輪廓形狀基本穩(wěn)定，別易受到遮擋，不過(guò)別同側(cè)面的肩部形狀有較大變化。思考別變矩具有平移、旋轉(zhuǎn)和縮放別變性，用以處理別同側(cè)面肩部形狀的變化，建立人體頭部和肩部形狀的二維識(shí)不模型。BP網(wǎng)是一種典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在分類(lèi)中有著廣泛的應(yīng)用。所以，用以作為分類(lèi)器。

本文辦法：首先，用背景差分提取運(yùn)動(dòng)目標(biāo)；然后，建立運(yùn)動(dòng)人體的頭肩二維模型，計(jì)算模型輪廓的別變矩形成特征向量；最終，用BP網(wǎng)絡(luò)分類(lèi)器完成人體目標(biāo)的識(shí)不，系統(tǒng)框圖見(jiàn)圖1。

2運(yùn)動(dòng)目標(biāo)提取

本文利用目標(biāo)的局部形狀信息舉行識(shí)不，要求準(zhǔn)確地提取運(yùn)動(dòng)目標(biāo)。為幸免轉(zhuǎn)化為多灰度圖像后產(chǎn)生別可逆轉(zhuǎn)的顏XXX信息損失，對(duì)真彩群序列圖像R、G、B三群重量分不差分，并對(duì)CCD攝像頭本身造成的圖像

噪聲舉行濾波處理。差分圖像由（1）式[5]

得到：

()

max,,dCrBrCgBgCbBb=（1）

),,(bgrCCC,),,(bgrBBB分不表示前景和背景圖像的R、G、B值，用中值濾波消除噪聲。然后，對(duì)圖像

舉行二值化并檢驗(yàn)連通性。圖2(c)、(d)表示差分圖像和二值圖像。

3目標(biāo)頭肩模型的提取

由人體解剖學(xué)知，直立人體的寬高比]36.0,28.0[:HeightWidth

，各部分肢體比例見(jiàn)圖3(a)。

建立頭肩模型的算法如下：

1.計(jì)算圖2(d)的目標(biāo)寬高比，若為]36.0,28.0[之間，講明整個(gè)人體進(jìn)入了攝像頭的捕捉范圍，轉(zhuǎn)3；否則轉(zhuǎn)2。

2.計(jì)算圖2(d)的垂直方向投影直方圖，平滑處理后結(jié)

果見(jiàn)圖3(b)。由此可得頭部寬度W。

3.據(jù)圖3(a)的比例，計(jì)算可得頭肩長(zhǎng)度H.至此即可建

立頭肩模型，見(jiàn)圖3(c)。

(c)差分圖像(d)二值圖像

圖2運(yùn)動(dòng)人體目標(biāo)提取

圖3頭肩模型及輪廓提取結(jié)果圖

W

關(guān)于場(chǎng)景中有多個(gè)人體目標(biāo)且互別遮擋的事情，用同樣辦法分區(qū)域處理。抽取頭肩模型失敗時(shí)，以為這是屬于非人體的活動(dòng)目標(biāo)。

4頭肩輪廓矩特征向量提取

采納Hu[6]

7個(gè)矩別變量],,,,,,[7654321MMMMMMMp=作為頭肩模型特征向量。傳統(tǒng)矩特征的提取由目標(biāo)區(qū)域計(jì)算，復(fù)雜度正比于圖像像素?cái)?shù)，計(jì)算量大。思考到圖像輪廓反映了目標(biāo)的形狀信息，且輪廓的像素?cái)?shù)遠(yuǎn)少于目標(biāo)區(qū)域的像素?cái)?shù)。所以，本文提出由輪廓計(jì)算矩特征。像素點(diǎn)(x,y)為輪廓時(shí)1),(=yxf，否則0),(=yxf，算式如下：

矩：()∑∑∈==輪廓區(qū)域

yxq

ppqqpyx

m,,2,1,0,,

（2）

中心矩：∑∑∈--=

輪廓區(qū)域

yxqp

pqyyxx,)()

(μ（3）

0010mmx=0001mmy=

中心矩僅具有平移別變性。定義歸一化中心矩：γ

μμη00pqpq=

，式中12

++=

q

pγ，3,2,1,=qp，（4）歸一化中心矩pqη具有縮放別變性。由歸一化中心矩pqη構(gòu)造旋轉(zhuǎn)別變性矩即并且滿腳平移、縮放、旋轉(zhuǎn)均別變的別變矩。據(jù)上述定義導(dǎo)出3≤+qp的7個(gè)別變矩1?-7?如下：

()[

]()()()()[

]

()()()[

]

()()()()()()[

]

()()()()[

]

2

022121230032112302

03212123012300221703211230112032120230022062

03

2121230032103212

0321212301230123052

0321212304203212123032

11202XXX2

20133334333)())(3()()()3()3(4)(ηηηηηηηηηηηηηηηη?ηηηηηηηηηηη?ηηηηηηηηηηηηηηηη?ηηηη?ηηηη?ηηη?ηη?+-++--+-++-=+-++-+-=+-++-++-++-=+++=-+-=+-=+=

為減少矩計(jì)算工作量和便于比較，采納開(kāi)方舉行數(shù)據(jù)壓縮，思考到別變矩也許浮現(xiàn)負(fù)值，實(shí)際采納的別變矩為：

73,2,1==

jMj

j?。表1為部分目標(biāo)矩別變量提取結(jié)果

5實(shí)驗(yàn)結(jié)果

采納單隱層BP網(wǎng)絡(luò)結(jié)構(gòu)。特征向量維數(shù)為7，輸入神經(jīng)元7個(gè)；運(yùn)動(dòng)目標(biāo)分人或非人，輸出1維向量表示兩類(lèi)目標(biāo)，輸出神經(jīng)元1個(gè)。隱層節(jié)點(diǎn)數(shù)由實(shí)驗(yàn)確定，分不選取2,10,15,30個(gè)隱神經(jīng)元訓(xùn)練，學(xué)習(xí)誤差取0.001；然后，用三種改進(jìn)BP算法舉行實(shí)驗(yàn)。

常量)05.0,0(,∈CC表示分類(lèi)門(mén)限，取03.0=C。記學(xué)習(xí)樣本實(shí)際輸出與期望輸出誤差的絕對(duì)值error。若Cerror>則分類(lèi)正確；反之，錯(cuò)誤分類(lèi)。記錄全體樣本中正確分類(lèi)的樣本數(shù)count，正確分類(lèi)樣本數(shù)與樣本總數(shù)M之百分比McountV/=即正識(shí)率。

1.帶動(dòng)量項(xiàng)算法，分不選取別同隱節(jié)點(diǎn)數(shù)，訓(xùn)練和測(cè)試性能見(jiàn)表

2.

2.共軛梯度算法、

LM-BP算法和擬牛頓算法，訓(xùn)練和測(cè)試性能見(jiàn)表3.隱節(jié)點(diǎn)數(shù)為15個(gè)。

表2可見(jiàn)，當(dāng)隱節(jié)點(diǎn)數(shù)為2時(shí)網(wǎng)絡(luò)訓(xùn)練別腳，測(cè)試性能非常差；增加隱節(jié)點(diǎn)數(shù)至10個(gè)，正識(shí)率71%；隱節(jié)點(diǎn)數(shù)由經(jīng)驗(yàn)公式15121=+=nn確定時(shí)，正識(shí)率72%；接著增加隱節(jié)點(diǎn)數(shù)，正識(shí)率別升反落。所以，確定最佳隱節(jié)點(diǎn)數(shù)為15個(gè)。

表3可見(jiàn)，共軛梯度算法訓(xùn)練39次后收斂，正識(shí)率惟獨(dú)50%，LM-BP算法訓(xùn)練44次，正識(shí)率77.5%，擬牛頓算法僅訓(xùn)練23次，表現(xiàn)出較好的效果。6結(jié)論

本文針對(duì)室內(nèi)復(fù)雜環(huán)境下運(yùn)動(dòng)人體的識(shí)不，基于彩XXX序列圖像經(jīng)過(guò)建立人體頭肩二維模型，將輪廓的矩特征作為識(shí)不特征，輸入BP網(wǎng)絡(luò)完成人體目標(biāo)的鑒不。初步實(shí)驗(yàn)結(jié)果表明了本文算法的有效性，對(duì)解

表1部分目標(biāo)矩別變量計(jì)算結(jié)果

表2別同隱節(jié)點(diǎn)數(shù)識(shí)不實(shí)驗(yàn)比較

表3別同算法識(shí)不實(shí)驗(yàn)比較

決有關(guān)應(yīng)用場(chǎng)合中人體易受遮擋而產(chǎn)生部分屬性丟失咨詢(xún)題有較好的分類(lèi)效果。

參考文獻(xiàn)

[1]COLLINSR,LIPTONA,KANADAT,etc.Asystemforvideosurveillanceandmonitoring:VSAMfinal

report[R].Pittsburgh:RoboticsInstitute,CarnegieMellonUniversity,2000.

[2]KUNOY，WATANABET，SHIMOSAKODAY，etc.Automateddetectionofhumanforvisual

surveillancesystem[A].Proceedingsofthe13thInternationalConferenceon[C].Vienna:IEEEComputerSociety,1996:865-869.

[3]NICOLAOUCA，EGBERTAL，LACHERRC，etc.Humanshaperecognitionusingthemethodof

momentandartificialneuralnetworks[A].IJCNN’99.InternationalJointConferenceon[C].WashingtonDC:IEEEComputerSociety，1999:XXX7-3151.

[4]劉曉冬等.一種可視化智能戶外監(jiān)控系統(tǒng)[J].