资源描述：
《基于加权hu矩与hog特征自适应融合人体行为识别新方法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、基于加权Hu矩与HOG特征自适应融合人体行为识别新方法摘要：针对HOG在强噪条件下以及加权Hu矩在弱噪条件下识别性能较差的情况，通过最小二乘拟合估计加权系数与噪声参数之间的映射关系，自适应调整融合参数达到将加权Hu矩和HOG特征融合的目的。实验证明，基于加权Hu矩和HOG的特征识别对噪声的容忍度更好，适用范更广，识别率更稳定。关键词：加权Hu矩；噪声估计；自适应融合；加权系数中图分类号：TN911.73234文献标识码：A文章编号:1004?373X(2014)01?0014?050引言近年来，随着计算机视觉技术的发展，人体行为识别逐渐成为研究的热点
2、。如何有效地从图像序列中获得人体行为特征成为了研究的关键。其中，HOG和Hu矩是十分常见的两种特征提取方法，然而针对场景中的噪声变化，这两种方法的适应范围较小，识别率变化较大。因此，本文中将重点讨论两种特征的融合算法,以达到对噪声容忍度好,适用范围大的目的。1特征提取算法1.1方向梯度直方图描述子（HOG）HOG（HistogramofOrientedGradient）算法通过计算局部区域上的梯度方向直方图来构成人体特征，能够很好地描述图像局部区域外观和形状，HOG是在Cell和Block的网格内进行计算的，Cell由若干像素点构成，Block由若干
3、相邻的Cell构成，HOG算子提取的流程如图1所示。图1HOG特征提取流程图本文中进行HOG特征提取时，输入图像大小为64X80,Cell大小为8X8,Block大小为16X16,Block的步进为8个像素，梯度方向将360°分为9个区间。为了验证HOG特征的性能，分别采集200帧挥手、弯腰、走路以及展腹跳的帧图像，其中每种动作的100帧（共400帧）作为训练样本，每种动作的余下100帧（共400帧）作为测试样本，见表1。分别提取训练样本和测试样本的HOG特征提取算子，以euclidean距离作为判别准则进行模板的匹配。此外，为了验证算法在噪声情况下
4、的鲁棒性，对测试样本进行了加噪处理（高斯噪声方差0.01,椒盐噪声密度0.02）,识别率见表2o从表2可知，HOG特征提取算子对未加噪声的图像识别率很高，但是若测试样本存在强噪声时，则识别性能大幅度下降。因此，依靠单一的HOG特征提取算子进行人体行为的识别，性能较差。表1四种人体行为图像表2HOG特征识别率%[&挥手&弯腰&展腹跳&走路&识别率&原始图像&100&97&99&98&98&加噪后&83&65&57&55&65&]1.2加权Hu矩描述子HuM.K.在文献[1]中利用代数不变矩理论构造出7个不变矩，这种不
5、变矩在平移、约束缩放、旋转下保持不变，但对图像细节信息的表征有限，不具备非约束缩放不变性且识别率较低。因此，本文中提出一种加权Hu矩算子，具体流程如图2所示。图2加权Hu矩特征提取流程图首先，为了获得更多的图像细节信息，将传统Hu矩进行扩展，并且对扩展Hu矩进行修正，使得图像在缩放的条件下，依然保持不变性。然而，在进行特征提取时，传统的判别准则认为不同Hu矩对行为判别的贡献值是一致的，而实际情况往往不是这样。因此，应充分考虑不同Hu矩的贡献值，构造一个Hu加权矩。本文采用对9个扩展Hu修正矩进行线性规划，找到每个Hu修正矩的最优加权值，进而构造一个H
6、u加权修正矩。设构造成的新的加权修正矩为：［①二o1①〃1+02①〃2+...+09①〃9,i=19oi=l,0加权Hu矩和HOG特征融合流程图如图3所示。图3加权Hu矩和HOG特征融合流程图由图3可知，首先提取训练样本的噪声参数，然后提取训练样本图像的HOG特征和加权Hu矩特征，再选用适当的融合算法进行特征的融合，从而得到训练样本的特征向量；对于测试样本，采用与训练样本相同的步骤，提取出测试样本的特征向量。最后，将测试样本与训练样本集进行模板匹配，从而得到匹配结果。整个流程的关键步骤在于特征融合算法的确立。提取的HOG的特征向量［Tl=［xl,x2
7、,…，x36］,］加权Hu矩的特征向量为［T2=［y］］,为了实现特征的融合，将找到合适的［a］和［R,］使得融合后的新特征向量满足：［T=clT1+BT2,a+B二1］其中［a］与［B］分别为HOG和加权Hu矩的加权系数。图像中的噪声以高斯噪声和椒盐噪声的形式存在。其中，高斯噪声的强度［IG］可由均值［m］和方差［v］表示，椒盐噪声的强度［IJ］可由噪声密度［d］表示，我们可将高斯噪声的均值附加到图像的均值上。因此，对于一幅获取的图像，它的噪声参数依赖于［(v,d),］下面通过噪声参数来估计HOG和加权Hu矩的融合加权系数［a］和［B。］因为HOG
8、提取的特征为36维向量，加权Hu矩为一维向量，因此：［a二P1P1+36P2*(v,d),B=36P2P1+
