摘要：本文提出了基于聚类RBF神经网络人体行为识别方法。采用背景差分法检测人体轮廓特征，Meanshift粒子滤波自适应算法跟踪人体运动特征，跟踪对颜色和纹理特征的特征融合方式进行了改进；采用了傅里叶描述子选取人体动作外形轮廓，利用人体运动速率表征人体运动特征；提出了结合聚类分离度和紧密度的Silhouette宽度，定义了均方根误差RMS为训练参数目标误差。实验表明，改进的算法提高了人体行为的识别率，具有较好的实用价值。
关键词：高斯背景；粒子滤波；类内类间距离
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。
2.2Meanshift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。
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。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：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。
4人体行为识别
4.1RBF神经网络。首层为输入层，有n个输入节点，只起到数据传导的功能，对应输入向量的单分量；第二层是隐含层，有p个隐节点，神经元的核心函数是高斯函数，对输入信息进行空间投影转换；再一层是输出层，有m个输出。其拓扑结构如图3所示。
4.2聚类指标性能评价。假使仅注重聚类的紧致性或聚类的分离度的单一方面，可能得出伪最优划分。所以，本文选取了评估参数Silhouette宽度[5]，能够结合聚类分离性与紧致性，较好地提升识别的准确度。
4.3基于聚类RBF神经网络的人体行为识别算法。本文选取了结合聚类紧致性和分离性的评价指标Silhouette宽度，对经典RBF神经网络中的类方法进行改进。算法流程[6]：（1）人体特征组成分类器输入矩阵X=[X1，X2…，XN]，则第l个样本为Xl=[X1l，X2l，…，Xnl]T（l=1，2，…，N），输出矩阵为O=[O1，O2，…，ON]。（2）设隐含层节点数为p0。（3）设定聚类的目标函数为S全部样本的平均值S定义为Silhouett宽度，样本的宽度越大，聚类效果越好，且该取值在[-1，1]之间。（4）定义RBF神经网络输出的均方根误差RMS采用有导师学习方法修正权值，多次训练直至RMS小于给定的目标误差ε。（5）输入样本到改进的聚类RBF神经网络模型中进行测试。
5人体行为识别实验与分析
本文分类研究6种类型的行动，依次是：走（walk），跑（run），跳（jump）、侧走（sideways）、弯腰（bend）、单腿跳（skip）。实验1本文采用交叉验证的方法评价经典神经网络和改进的神经网络分类器。仿真实验证明，改进的聚类算法识别率提高了分类器的识别率。训练曲线表明，RBF神经网络具有收敛快的特点。实验2实验利用3种方法对6种类型的人体行为进行识别。仿真实验证明，本文提出的算法性能最优。
6结论
本文提出了改进的神经网络算法，算法的优点在于建立目标模型有效，识别准确性高，并且算法有效、具有鲁棒性。
作者:姜莹礁 单位:武警内蒙古总队