[创新设计论文模板.docVIP

基于头肩矩特征的人体识别研究 姓名：XXX，学号：XXXXXXXX，20XX级X班 计算机科学与技术专业 摘要：针对传统监控系统的不足，，，，，VSAM[1] 系统主要研究战场及普通民用场景的自动监控与理解，(包括人体)；Kuno等[2]利用投影直方图分析目标形状，Nicolaou等[3]利用标准矩和人工神经网络来识别人形目标，，，1。 2运动目标提取 本文利用目标的局部形状信息进行识别，要求准确地提取运动目标。为避免转化为多灰度图像后产生不可逆转的颜色信息损失，对真彩色序列图像R、G、B三色分量分别差分，并对CCD摄像头本身造成的图像噪声进行滤波处理。差分图像由（1）式[5]得到： （1） ,分别表示前景和背景图像的R、G、B值，用中值滤波消除噪声。然后，对图像进行二值化并检验连通性。图2(c)、(d)表示差分图像和二值图像。 3目标头肩模型的提取 由人体解剖学知，直立人体的宽高比，各部分肢体比例见图3(a)。 建立头肩模型的算法如下： 计算图2(d)的目标宽高比，若为之间，说明整个人体进入了摄像头的捕捉范围，转3；否则转2。 计算图2(d)的垂直方向投影直方图，平滑处理后结果见图3(b)。由此可得头部宽度W。 据图3(a)的比例，计算可得头肩长度H. 至此即可建立头肩模型，见图3(c)。 对于场景中有多个人体目标且互不遮挡的情况，用同样方法分区域处理。抽取头肩模型失败时，认为这是属于非人体的活动目标。 4头肩轮廓矩特征向量提取 采用Hu[6]7个矩不变量作为头肩模型特征向量。传统矩特征的提取由目标区域计算，复杂度正比于图像像素数，计算量大。考虑到图像轮廓反映了目标的形状信息，且轮廓的像素数远少于目标区域的像素数。因此，本文提出由轮廓计算矩特征。像素点(x,y)为轮廓时，否则，算式如下： 矩： （2） 中心矩： （3） 中心矩仅具有平移不变性。定义归一化中心矩： ，式中，， （4） 归一化中心矩具有缩放不变性。由归一化中心矩构造旋转不变性矩即同时满足平移、缩放、旋转均不变的不变矩。据上述定义导出的7个不变矩-如下： 为减少矩计算工作量和便于比较，采用开方进行数据压缩，考虑到不变矩可能出现负值，实际采用的不变矩为： 。表1为部分目标矩不变量提取结果 编号 1 1.414 1 0 0 0 0 0 2 1 0 0 0 0 0 0 3 2.449 0 9.798 0 2.449 0 9 4 1.732 1 4.690 0 0 0 1 5 1.732 0 4.472 0 0 0 1.732 6 2 0 5.831 0 0 0 1.732 7 2 1.732 1 0 0 0 0 8 2.236 2.646 3.873 0 0 1 2.236 5实验结果 采用单隐层BP网络结构。特征向量维数为7，输入神经元7个；运动目标分人或非人，输出1维向量表示两类目标，输出神经元1个。隐层节点数由实验确定，分别选取2,10,15,30个隐神经元训练，学习误差取0.001；然后，用三种改进BP算法进行实验。 常量表示分类门限，取。记学习样本实际输出与期望输出误差的绝对值。若则分类正确；反之，错误分类。记录全体样本中正确分类的样本数count，正确分类样本数与样本总数M之百分比即正识率。 带动量项算法，分别选取不同隐节点数，训练和测试性能见表2. 共轭梯度算法、LM-BP算法和拟牛顿算法，训练和测试性能见表3.隐节点数为15个。 隐节点数 训练次数 均方误差 正识率% 2 1000 0.0591937 误识 10 207 0.0009576 71 15 110 0.000949866 72 30 123 0.000988793 68 BP网算法 训练次数 均方误差 正识率% 共轭梯度法 39 0.000897027 50 LM-BP法 44 0.000254675 77.5 拟牛顿法 23 0.0000491833 97.5 表2可见，当隐节点数为2 时网络训练不足，测试性能很差；增加隐节点数至 10 个，正识率71%；隐节点数由经验公式确定时，正识率72%；继续增加隐节点数，正识率不升反降。因此，确定最佳隐节点数为15个。 表3可见，共轭梯度算法训练39次后收敛，正识率只有50%，LM-BP算法训练44次，正识率77.5%，拟牛顿算法仅训练23次，表现出较好的效果。 6 结论 本文针对室内复杂