文档介绍：
基于加权Hu矩和HOG特征的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，适用范围更广，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: ?34 文献标识码: A 文章编号: 1004?373X(2014)01?0014?05
0 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。
1 特征提取算法
方向梯度直方图描述子(HOG)
HOG(Histogram of Oriented Gradient)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1 HOG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64×80，Cell大小为8×8，Block大小为16×16，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2。
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2 HOG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,&]
加权Hu矩描述子
Hu [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:
[Φ=σ1Φ″1+σ2Φ″2+...+σ9Φ″9， i=19σi=1， 0<σi<1]
为了获得最优解，拟采用方差加权矩最小作为判定准则，即:
[V(Φ)=σ21V(Φ″1)+σ22V(Φ″2)+...+σ29(Φ″9)]
达到最小时[σ]的值作为求得的权值，加权Hu矩的具体求解过程在文献[2]中有详细介绍。
为了验证加权Hu矩的性能，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帧作为训练样本，每种动作的余下100帧作为测试样本。并将识别结果与原始Hu矩和扩展Hu矩的识别性能
进行比较，见表3。此外，为了验证加权Hu矩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4。
表3 不同Hu矩的性能比较 %
[,&挥手,&弯腰,&展腹跳,&走路,&识别率,&原始Hu矩,&80,&73,&70,&77,&75,&扩展Hu矩,&83,&79,&77,&81,&80,&加权Hu矩,&