基于聚类神经网络的人体行为识别研究

姜莹礁

摘要：本文提出了基于融合特征的聚类神经网络人体行为识别方法。采用了傅里叶描述子提取人体动作外形轮廓，利用外接矩形长宽比及变化率表征人体运动特征；提出了聚类分离度和紧密度相结合的Silhouette宽度，定义了训练参数目标误差为均方根误差RMS，采用改进的基于聚类的RBF神经网络进行行为识别。仿真实验表明，该方法能有效识别人体行为类别，应用效果满足实际要求。

关键词：背景差分；中心距；类内类间距离；均方根误差

中图分类号：TP391.41 文献标识码：A

0 引言

基于视频的人体行为识别技术研究是计算机视觉的重点课题。如何设计一种高效鲁棒性的识别算法，一直是人体行为识别领域研究的热点。

本文提出基于融合特征的聚类神经网络的人体行为识别方法。采用人体外形特征和运动特征相结合的方法提取人体行为关键特征，获得了最优的特征表征。提出了结合聚类分离性与紧致性的评估参数Silhouette宽度，采用改进聚类方法的RBF神经网络方法对人体行为进行识别。能够较好地提升识别的准确度。

1 人体轮廓提取

人体运动图像的轮廓提取主要由4个步骤构成。图像去噪采用用高斯噪声先定位再去噪的方法，背景分割采用背景差分法，阴影去除根据亮度差分公式在颜色空间中去除影响，轮廓提取采用边界跟踪算法。

2 特征提取

2.1 傅里叶描述子算法选取人体外形轮廓特征

为了降低时间复杂程度，本文选用基于中心距的傅里叶变换来提取人体行为特征。……