[发明专利]学习者姿态识别方法

摘要

一种学习者姿态识别方法，由人像与背景的分离、对二值化后的图像运用数学形态学运算提取出学习者的轮廓图像、采用Zernike矩进行特征提取、采用支持向量机对特征向量进行训练以及识别学习者的姿态组成。本发明在蜂群算法中引入莱维飞行机制，根据不同的飞行步长采用不同搜索方式，可丰富种群多样性还可避免早熟收敛，陷入局部最优；并在蜂群算法中采用动态权重机制，根据种群的进化率来调整个体蜂搜索方式，动态地平衡全局搜索和局部搜索能力。具有分割效果好、识别率高等优点，可用于学习者姿态识别及其它图像识别和分类。

主权项

一种学习者姿态识别方法，其特征在于由如下步骤组成：(1)人像与背景的分离引入莱维飞行和动态权重的蜂群算法优化归一化割，对学习者姿态图像进行分割，得到原图像的二值图像，实现人像与背景分离，步骤如下：1)对彩色图像红﹑绿﹑蓝三个颜色通道分别进行模糊C均值聚类预处理,把图像划分成n块最大相似区域，n为6～20的正整数，取各区域在三个颜色通道上灰度值的平均值表示这个区域的像素值，以所有区域像素值构造无向带权图G＝(V,E),V是图中的顶点，E是连通两个顶点的边；2)无向带权图G顶点集V分成两个独立的连通分图A、B，A∪B＝V，A∩B＝Φ,归一化割准则为：Ncut(A,B)=cut(A,B)asso(A,V)+cut(A,B)asso(B,V)---(1)]]>式中，为A中顶点与无向带权图G中所有顶点的连接权值之和，为B中顶点与无向带权图G中所有顶点的连接权值之和，无向带权图G每条边上的权值在(0,1)之间，代表顶点ξ和ψ之间的相似性；3)随机生成NP个个体的初始蜜源位置xi，i＝1,...,NP，NP是蜜源的个数，NP为有限的正整数，采用式(1)作为适应度函数，确定每个初始蜜源的适应度值；4)为蜜源xi分配一只引领蜂，按式(2)进行搜索，产生新蜜源，并评价新蜜源的适应度，根据贪婪选择的方法确定保留的蜜源；xij(t+1)＝xij(t)+step_size(t)×U(0,1)   (2)式中，xij是xi在第j个方向的位置，j∈{1,2,...,D},D是搜索维度，D为6～20的正整数；t是局部搜索方法中的第t次迭代，t∈{1,2,...,M},最大迭代次数M，M为有限的正整数；U(0,1)是在[0,1]之间的随机数；step_size(t)×U(0,1)是莱维分布中随机飞行部分，其中：step_size(t)＝0.001×s(t)×SLC   (3)式中，SLC取全局最优适应度值，s(t)是通过莱维分布产生的步长；步长s通过式(4)确定：s=u|v|1/β---(4)]]>其中，0＜β＜2，u和v由式(5)所示的正态分布确定，如式(5)所示：u~N(0,σu2),v~N(0,σv2)---(5)]]>其中σu={Γ(1+β)sin(πβ/2)βΓ[(1+β)/2]2(β-1)/2}1/β,σv=1,]]>其中，Γ(.)是Gamma函数；5)由公式(6)确定引领蜂找到的蜜源被跟随的概率：pi=fitiΣi=1NPfiti---(6)]]>fiti是第i个蜜源的适应度值；6)跟随蜂采用公式(7)方式进行搜索，产生新蜜源，根据贪婪选择方法确定保留的蜜源；式中j是在[1,D]中的一个随机整数，表示引领蜂随机地选择一维进行搜索；t是第t次迭代；k∈{1,2,...,NP},k≠i,表示在NP个蜜源中随机选择一个不等于i的蜜源；是[‑1,1]均匀分布的随机数；动态权重w(t)的值由公式(8)得到：w(t)＝(wmax‑wmin)G(t)+wmin   (8)wmax表示权重的上界，wmin表示权重的下界，0≤wmin＜wmax≤1；G(t)是群体的进化成功率，其值由公式(9)得到：G(t)=Σi=1NPC(i,t)NP---(9)]]>(9)式中，C(i,t)是个体蜂i在第t代的进化成功率，由公式(10)求得：C(i,t)=1fit(xit)<fit(xit-1)0fit(xit)≥fit(xit-1)---(10)]]>式中，是个体蜂i在第t代的适应度值，是个体蜂i在第t‑1代的适应度值；7)如果蜜源xi经过阈值limit次迭代搜索而没有找到更好的蜜源，limit为正整数，且limit≤M，该蜜源xi将会被放弃，对应的引领蜂角色变为侦察蜂，否则直接转到9)；8)侦察蜂根据公式(11)按照随机游动方式产生新蜜源：xij(t+1)＝xij(t)+r(xil(t)‑xim(t))   (11)式中xij是xi在第j个方向的位置,r是(0,1)之间的随机数，且服从均匀分布；xil(t)和xim(t)表示第t代的两个随机解，xil是xi在第l个方向的位置，l∈{1,2,...,D}，xim是xi在第m个方向的位置，m∈{1,2,...,D}，m≠l；9)重复4)～8)最大迭代次数M次，则终止，输出最优解，否则转到4)；10)结合最优适应度值及个体蜂最优位置指导分割图像，得到原图像的二值图像，实现人像与背景的分离；(2)对二值化后的图像提取出学习者的轮廓图像1)对二值化后的图像进行膨胀；2)膨胀后的图像减去膨胀前的图像，填充图像的空洞区域，得到学习者的轮廓图像；(3)采用Zernike矩进行特征提取1)用标准矩的方法对学习者的轮廓图进行归一化处理，得到平移、尺度归一化后的图像；2)设计Zernike正交多项式；Zernike多项式{Vpq(x,y)}是定义在单位圆盘(x2+y2≤1)上的复值正交函数集，其表示形式：Vpq(x,y)=Vpq(η,θ)=Rpq(η)eiqθ---(12)]]>其中，p是非负整数，q是满足以下条件的整数：p－|q|是偶数，而且|q|≤p；η表示原点到点(x,y)的矢量距离，且η≤1；θ表示矢量η与x轴逆时针方向的夹角；Rpq(η)是实值径向多项式：Rpq(η)=Σϵ=0(p-|q|)/2(-1)ϵ(p-ϵ)!ϵ!((p-2ϵ+|q|)/2)!((p-2ϵ-|q|)/2)!ηp-2ϵ---(13)]]>3)用正交p阶q重的Zernike多项式构造多阶Zernike矩：Zpq=p+1πΣxΣyg(x,y)Vpq*(η,θ)---(14)]]>式中，g(x,y)是归一化后的学习者轮廓图像，x和y表示图像的位置，x2+y2≤1；*号表示共轭；4)提取多阶Zernike矩特征向量，作为学习者行为姿态识别的输入量；(4)采用支持向量机对特征向量进行训练以及识别学习者的姿态将学习者姿态的特征向量分为训练样本和测试样本两类，学习者姿态图像按照所属的类别分为正坐的标签为1、举手的标签为2、低头的标签为3,将学习者姿态训练样本的特征向量及标签输入支持向量机分类器训练，并将学习者姿态测试样本的特征向量及标签输入支持向量机分类器,由分类器对学习者姿态进行识别。