基于头肩矩特征的人体识别研究

1、基于头肩矩特征的人体识别研究计算机软件班 沈小莉摘要：针对传统监控系统的不足，研究了智能监控系统中活动人体目标的自动检测与识别算法。通过建立人体头肩二维模型，将头肩轮廓矩特征向量输入BP神经网络完成人体目标的鉴别。采用人体局部轮廓形状特征而非整体特征，对解决实际应用场合中人体易受遮挡而产生属性丢失问题有较好的分类效果；采用误差反向传播(Back-Propagation，BP)神经网络分类器建立“特征类别”映射关系以完成人体识别。实验结果表明了本方法的有效性和较强的鲁棒性。关键词：目标提取；不变矩；BP神经网络；骨架模型中图分类号：TP389.1+TP391.4Human recognition

2、 based on head-shoulder moment featureAbstract: Aimed at the shortcomings of the traditional visual surveillance system, the automatic detection and recognition algorithm of human are studied in Intelligent Monitoring System .This paper use the moment eigenvector of contour of head-shoulder as the B

3、P neural networks input for human identification by building the 2D model of human head-shoulder. Because of adopting the partial contour shape of the human rather than whole features, it has a better classification on solving the issue of the loss of property arising from human occluded easily in p

4、ractical applications. At the same time, using error back-propagation neural network classifier to establish the mapping relation of "feature - class" which completes identification of human. The experiments results show that this method is effective, and it has strong robustness.Key words

5、: object abstraction; invariant moment; back-propagation neural network;skeleton model0引言近年来，运动人体的视觉分析已成为计算机视觉领域中一个重要的研究方向，研究基于序列视频图像的人体检测、识别、跟踪以及行为描述与理解，在智能监控、智能接口、虚拟现实等领域有着广泛的应用前景。在视频监控系统中，传统监控模式需保安人员监视多个监视器画面，工作繁重，效率低，易漏报。研制无人值守的目标自动检测、识别及跟踪的智能监控和报警系统，监控的有效性将得到很大提高。VSAM1 系统主要研究战场及普通民用场景的自动监控与理解，能

6、实时检测和跟踪运动目标(包括人体)；Kuno等2利用投影直方图分析目标形状，区分人体与非人体目标；Nicolaou等3利用标准矩和人工神经网络来识别人形目标，这方面研究国内相对较少4。 这些方法需要目标整体形状信息，采用统计分类器进行目标识别。对于某些实际应用如室内环境，运动人体可能会受到不同物体的遮挡而产生部分属性丢失问题，导致基于目标整体形状信息分析的方法的有效性降低甚至失效。为此，本文基于目标局部轮廓形状分析5并结合BP分类器来研究监控系统中运动人体的判别问题。1人体识别原理人体目标呈现强烈的非刚性特点和人体运动的复杂性，很难用一种模型来准确描述人体，但人体肩部及以上区域的轮廓形状基本稳

7、定，不易受到遮挡，只是不同侧面的肩部形状有较大变化。考虑不变矩具有平移、旋转和缩放不变性，用以处理不同侧面肩部形状的变化，建立人体头部和肩部形状的二维识别模型。BP网是一种典型的神经网络结构，在分类中有着广泛的应用。因此，用以作为分类器。运动目标提取头肩模型建立特征向量提取BP网络分类器分类结果BP网络训练样本集图1人体识别流程图Fig 1 Flow chart of human recognition本文方法：首先，用背景差分提取运动目标；然后，建立运动人体的头肩二维模型，计算模型轮廓的不变矩形成特征向量；最后，用BP网络分类器完成人体目标的识别，系统框图见图1。2运动目标提取本文利用目标的

8、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6得到： （1）其中,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)、2(d)表示差分图像和二值图像。图2(a) 背景图像 图2 (b) 当前图像Fig 2(a) Background image Fig 2(b) Current image图2(c) 差分图像 图2 (d) 二值图像Fig 2(c) Difference imag

9、e Fig 2(d) Binary image3目标头肩模型的建立图3(d) 头肩轮廓Fig 3(d) Contour of head-shoulder图3(c) 头肩模型Fig 3(c) Model of head-shoulder文献6中头肩模型的建立是通过计算目标的垂直，水平投影直方图，由垂直投影直方图得到人体头部宽度，再由水平投影直方图得到人体宽度，但对于某些特殊情况下(如披着长发的目标)可能无法由垂直投影直方图求得头部宽度。根据文献6的不足，本文对文献6中的方法提出了改进。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：1. 计算图2(d)中目标

10、的宽高比，若为之间，说明整个人体进入了摄像头的捕捉范围，转4；否则转2。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)。找出头顶附近的局部最大值W，即为头部宽度，转4；若未找到W，则转3；3. 找出垂直投影直方图的全局最大值W1，根据人体宽高比计算出人体的近似高度；4. 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Hu77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

11、像像素数，计算量大。010216524046W25HXYW1图3(a) 人体各部分比例图Fig 3(a) Proportion of human body图3(b) 垂直投影直方图Fig 3(b) Vertical projective histogram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，本文由轮廓计算矩特征，头肩轮廓如图3(d)所示。像素点为轮廓时，否则，算式如下： 图3(b) 垂直投影直方图矩： （2）中心矩： （3） 中心矩仅具有平移不变性。定义归一化中心矩： （4）式中， 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

12、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：表2不同隐节点数识别实验比较Table 2 Comparison of recognition experiment of different hidden nodes 为减小矩数值分布范围和便于比较，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11.4141000002100000032.44909.79802.4490941.73214.690000151.73204.4720001.7326205.8310001.732721.7321000082.2362.6

13、463.8730012.236表1部分目标矩不变量计算结果Table 1 Calculation results of some targets moment invariants5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

14、比即正识率。1. 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。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。隐节点数训练次数均方误差正识率%210000.0591937误识102070.000957671151100.00094986672301230.000988793682. 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。表3可见，共轭梯度算法训练39次后收敛，正识率只有50%，LM-B

15、P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。表3不同算法识别实验比较Table 3 Comparison of recognition experiment of different algorithmBP网络算法训练次数均方误差正识率%共轭梯度法390.00089702750LM-BP法440.00025467577.5拟牛顿法230.000049183397.56 结论本文针对室内复杂环境下运动人体的识别，基于彩色序列图像通过建立人体头肩二维模型，将轮廓的矩特征作为识别特征，输入BP网络完成人体目标的鉴别。初步实验结果表明了本文算法的有效性，对解决有关应用

16、场合中人体易受遮挡而产生部分属性丢失问题有较好的分类效果。参考文献1 COLLINS R, LIPTON A, KANADA T, etc. A system for video surveillance and monitoring: VSAM final report R. Pittsburgh: Robotics Institute, Carnegie Mellon University, 2000.2 KUNO Y， WATANABE T，SHIMOSA KODA Y ，etc. Automated detection of human for visual surveillance

17、system A. Proceedings of the 13th International Conference on C. Vienna: IEEE Computer Society,1996: 865-869.3 NICOLAOUC A ， EGBERTA L ， LACHER R C， etc. Human shape recognition using the method of moment and artificial neural network s A. IJCNN 99.International Joint Conference on C. Washington DC: IEEE Computer Society， 1999: 3147-3151.4 刘晓冬等. 一种可视化智