文档介绍：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::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。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。(HOG)HOG(HistogramofOrientedGradient)算法通过计算局部区域上的梯度方向直方图来构***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的鲁棒性,对测试样本进行了加噪处理(,),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]中利用代数不变矩理论构造出7个不变矩,这种不变矩在平移、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Hu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,…,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=36P2P