基于BP神經(jīng)網(wǎng)絡(luò)分類器的運(yùn)動物體識別方法的研究

劉曉華　張弛

摘 要 本文針對運(yùn)動目標(biāo)進(jìn)行特征提取，在神經(jīng)網(wǎng)絡(luò)分類器中輸入數(shù)據(jù)，對分類器采用不同的算法進(jìn)行訓(xùn)練，以提高運(yùn)動物體識別的準(zhǔn)確率。據(jù)有關(guān)試驗(yàn)結(jié)果顯示，與其它類型的分類器相比，基于BP神經(jīng)網(wǎng)絡(luò)分類器的運(yùn)動物體識別方法的識別率相對較為準(zhǔn)確。

關(guān)鍵詞 BP神經(jīng)網(wǎng)絡(luò)；運(yùn)動物體識別；分類器

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-7597（2014）24-0038-02

在無需人為干預(yù)時(shí)，智能視頻分類系統(tǒng)可根據(jù)拍攝得到的圖像進(jìn)行智能分析，進(jìn)而識別動態(tài)場景中的不同類別物體，并基于此對目標(biāo)行為進(jìn)行分析判斷，以完成目標(biāo)分類并及時(shí)做出反應(yīng)。而對運(yùn)動目標(biāo)進(jìn)行準(zhǔn)確識別是該系統(tǒng)的關(guān)鍵環(huán)節(jié)，更是計(jì)算機(jī)模式識別的研究熱點(diǎn)。多層前饋網(wǎng)絡(luò)是在目標(biāo)識別中應(yīng)用最廣的，而BP神經(jīng)網(wǎng)絡(luò)是其中最有代表性的。本文設(shè)計(jì)基于多輸出型BP網(wǎng)絡(luò)與單輸出型和多輸出型相聯(lián)合的BP網(wǎng)絡(luò)，通過對樣本所屬類別進(jìn)行判斷而準(zhǔn)確識別運(yùn)動目標(biāo)。

1 識別過程

BP神經(jīng)網(wǎng)絡(luò)在識別多類運(yùn)動目標(biāo)時(shí)的過程如下：一是對樣本數(shù)據(jù)集進(jìn)行采集及預(yù)處理，一般都是將輸入BP網(wǎng)絡(luò)的數(shù)據(jù)進(jìn)行歸一化處理；二是把數(shù)據(jù)樣本根據(jù)用途分為兩種，將訓(xùn)練樣本主要用于對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，將檢驗(yàn)樣本主要用于對訓(xùn)練網(wǎng)絡(luò)功能的檢驗(yàn)；三是對神經(jīng)網(wǎng)絡(luò)層數(shù)及各層單元數(shù)進(jìn)行選擇；四是訓(xùn)練網(wǎng)絡(luò)應(yīng)采用訓(xùn)練樣本及科學(xué)合理的學(xué)習(xí)算法，對比實(shí)際與理想值差異，使網(wǎng)絡(luò)輸出達(dá)到誤差允許范圍；五是采用檢驗(yàn)樣本集進(jìn)行網(wǎng)絡(luò)檢驗(yàn)，在網(wǎng)絡(luò)中輸入檢驗(yàn)樣本，若網(wǎng)絡(luò)輸出與理想值在誤差范圍內(nèi)，可采用該神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對目標(biāo)進(jìn)行準(zhǔn)確識別，若正確可繼續(xù)進(jìn)行；否則重新回到第三步驟繼續(xù)執(zhí)行；六是對目標(biāo)識別與分類采用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行，以獲得識別

結(jié)果。

2 特征提取

試驗(yàn)數(shù)據(jù)源針對煤礦礦車內(nèi)礦石在陰天情況下采集圖像，視頻流采用PAL制式（每秒25幀），圖片大小為320×240分辨率。在視頻圖像中任意抽取煤與煤矸石兩類目標(biāo)樣本，認(rèn)真分析圖像中運(yùn)動的煤與煤矸石特點(diǎn)后，分別提取煤與煤矸石的形狀復(fù)雜度作為目標(biāo)識別的特征。

3 BP神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)

因待識別煤與煤矸石作為運(yùn)動目標(biāo)，屬多目標(biāo)識別的一類問題，因此在設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)分類器方面還是比較復(fù)雜的。

1）多輸出型BP分類器設(shè)計(jì)。

多輸出型BP分類器一般可基于多輸出型三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行構(gòu)建，網(wǎng)絡(luò)輸入層采用輸入特征矢量節(jié)點(diǎn)數(shù)等于維數(shù)的拓?fù)浣Y(jié)構(gòu)，在數(shù)目上輸出層節(jié)等于類別，輸出節(jié)點(diǎn)與類一一對應(yīng)。設(shè)計(jì)問題可從訓(xùn)練時(shí)限、識別率對隱含層最適宜的節(jié)點(diǎn)數(shù)進(jìn)行考慮，采用試湊法決定。其主要思路是根據(jù)輸入樣本對網(wǎng)絡(luò)開展相應(yīng)訓(xùn)練，若不能滿足設(shè)計(jì)要求就適當(dāng)增加隱含層節(jié)點(diǎn)數(shù)，直至節(jié)點(diǎn)數(shù)合理為止，或?qū)⒐?jié)點(diǎn)數(shù)從最大開始逐漸減少到合理。但此方法需較多的時(shí)間。在大部分條件下，可結(jié)合過去的設(shè)計(jì)經(jīng)驗(yàn)獲得節(jié)點(diǎn)在隱含層中的數(shù)目。對隱含層節(jié)點(diǎn)數(shù)目利用經(jīng)驗(yàn)公式確定，采取四舍五入法對計(jì)算值進(jìn)行取整。

上式中：S、m、n分別是隱層、輸入層及輸出層節(jié)點(diǎn)數(shù)。主要采用[0，1]之間隨機(jī)數(shù)作為初始權(quán)值，節(jié)點(diǎn)閾值都是0。訓(xùn)練BP網(wǎng)絡(luò)過程中，若輸出標(biāo)本號是i類，則訓(xùn)練期望輸出節(jié)點(diǎn)是1，而其它輸出節(jié)點(diǎn)是0。在BP網(wǎng)絡(luò)識別過程中，如輸入端的樣本類別沒有弄清楚，應(yīng)對輸出節(jié)點(diǎn)數(shù)值引起足夠的重視。閾值若能夠被設(shè)定為0.96后，主要最大輸出值與判決閾值相比應(yīng)較高一些，可確定樣本類別是輸出最大值節(jié)點(diǎn)。若輸出最大節(jié)點(diǎn)在某種情況下與其它節(jié)點(diǎn)的差距相對較?。ㄈ缧∮?.04），就無需進(jìn)行輸入。

2）設(shè)計(jì)單輸出型BP聯(lián)合分類器。

在單輸出型BP聯(lián)合分類器結(jié)構(gòu)中，單輸出型BP分類器與待識別目標(biāo)類別具有相同數(shù)目。因煤與煤矸石是待識別目標(biāo)，所以BP分類器應(yīng)具有2個單輸出型。單輸出型BP分類器的每個輸入層節(jié)點(diǎn)與對應(yīng)的特征矢量維數(shù)相同。隱含層節(jié)點(diǎn)采用上述公式確定數(shù)目，為每個類建立相應(yīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，采用非線性S型函數(shù)對網(wǎng)絡(luò)傳輸關(guān)系進(jìn)行表示，從[0，1]之間隨機(jī)選擇一數(shù)字作為網(wǎng)絡(luò)初始權(quán)值，節(jié)點(diǎn)閾值為0。訓(xùn)練每類目標(biāo)時(shí)，將該類樣本的期望輸出設(shè)定是1，而將其它類樣本期望設(shè)定是0。分類器1能夠?qū)γ款惸繕?biāo)進(jìn)行判斷時(shí)，如果輸入的目標(biāo)是煤時(shí)，在分類器的輸出結(jié)果為1，否則為0；分類器2目標(biāo)進(jìn)行判斷時(shí)，若輸入目標(biāo)是煤矸石時(shí)，分類器輸出為1，否則就是0。目標(biāo)識別時(shí)，每個分類器輸入未知類別樣本，分類器1、分類器2都有輸出值。聯(lián)合分類器采用如下識別決策，若只存在一個分類器輸出高于預(yù)先設(shè)定好的判決閾值（如0.96），就可將樣本確定為此類；若分類器輸出值中超過兩個比預(yù)先設(shè)定的閾值高，而且其間存在超過某值（如0.04）的差，就確定此樣本屬于輸出最大值那類。否則，若從分類器1、2輸出的數(shù)值都明顯低于判決閾值，或輸出值的分類器多于兩個比判決預(yù)先設(shè)定閾值高，但其間差值比較接近，比某值（如0.05）要小，就判斷為拒絕。

4 仿真實(shí)驗(yàn)及結(jié)果

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練集的仿真實(shí)驗(yàn)采用將120組每類目標(biāo)的特征數(shù)據(jù)進(jìn)行歸一化。其訓(xùn)練過程中只有千分之二的微小誤差，普通BP算法也只能達(dá)到0.14的學(xué)習(xí)率；彈性BP算法中權(quán)值增量、減量因子分別為1.2和0.5。分別對多輸出型BP分類器采用普通BP算法、彈性BP算法、L-M算法進(jìn)行訓(xùn)練以構(gòu)造誤差曲線。通過網(wǎng)絡(luò)訓(xùn)練結(jié)果發(fā)現(xiàn)，在具有相同的訓(xùn)練誤差條件下，具有相對簡單結(jié)構(gòu)的網(wǎng)絡(luò)需要的訓(xùn)練時(shí)間與步數(shù)都相對較少一些。針對前向網(wǎng)絡(luò)而言，利用彈性BP與L-M算法都能夠使其性能得到顯著改善，相對于運(yùn)用普通BP算法訓(xùn)練的網(wǎng)絡(luò)，具有相對更為迅速的收斂速度、訓(xùn)練時(shí)間相對更短。尤其表現(xiàn)在L-M算中可發(fā)現(xiàn)其更迅速地收斂速度，但唯一不足之處是需要的存儲空間相對較大一些。

5 總結(jié)

綜上所述，本文采用多種不同算法構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練分類器，通過在實(shí)際應(yīng)用中的具體數(shù)據(jù)顯示，采用彈性BP算法的BP神經(jīng)網(wǎng)絡(luò)分類器相對具有較準(zhǔn)確的識別率，而不需要較長的訓(xùn)練時(shí)間，因而實(shí)效性較高，可廣泛應(yīng)用于用對運(yùn)動物體的分類識別。

項(xiàng)目基金

本文獲黑龍江省青年科學(xué)基金項(xiàng)目（QC2012C111）資助。

參考文獻(xiàn)

[1]方帥.計(jì)算機(jī)智能視頻監(jiān)控系統(tǒng)關(guān)鍵技術(shù)研究[D].長春：東北大學(xué)，2009：32-38.

[2]余靜，游志勝.自動目標(biāo)識別與跟蹤技術(shù)研究[J].計(jì)算機(jī)應(yīng)用研究，2010（12）.

[3]沈鳳龍，畢娟.基于多神經(jīng)網(wǎng)絡(luò)分類器的汽車車型識別方法研究[J].遼東學(xué)院學(xué)報(bào)，2011（9）.

[4]段文娟.BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于高等學(xué)校顧客滿意度測評的研究[J].遼東學(xué)院學(xué)報(bào)，2012（15）.

[5]尹春華.基于SOM神經(jīng)網(wǎng)絡(luò)的人力資源聚類分析[J].遼東學(xué)院學(xué)報(bào)，2012（16）.

[6]張永明.神經(jīng)網(wǎng)絡(luò)在運(yùn)動物體識別中的應(yīng)用探討[J].科技創(chuàng)新與應(yīng)用，2011（10）.

作者簡介

劉曉華（1979-），工程師，研究方向：計(jì)算機(jī)應(yīng)用。endprint