粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)在步態(tài)識別中的研究

鄒倩穎，王小芳,2

（1. 電子科技大學(xué)成都學(xué)院，四川 成都 611731；2. 西華師范大學(xué) 計算機學(xué)院，四川 南充 637002）

步態(tài)識別是一種通過個體在走路時不一樣的姿態(tài)來識別個體身份的生物識別技術(shù)[1]。常見的步態(tài)識別方法有最近鄰NN(Nearest-Neighbor)分類[2]、人工神經(jīng)網(wǎng)絡(luò)ANN(Artificial Neural Networks)、隱馬爾可夫模型HMM(Hidden Markov Model)[3]等。傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)在進行訓(xùn)練時易出現(xiàn)局部最小值、收斂速度過慢、分類效果不理想的問題，不能夠保證收斂到全局最優(yōu)點，且提取的步態(tài)輪廓圖噪聲較大[4-5]。針對上述問題，本文提出利用背景減除法對采集圖片進行分割，經(jīng)過二值化處理后進行特征提取。該方法引入形態(tài)學(xué)細化思想將二值化圖片進行骨架化，對骨架圖在二維平面上抽取步幅、步態(tài)周期、質(zhì)心距、質(zhì)心輪廓夾角等4個特征值，并將其轉(zhuǎn)化為特征值矩陣，解決圖像噪聲大、不易提取特征值問題；將粒子群優(yōu)化算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合進行模式識別與分類；將特征值矩陣初始值代入優(yōu)化后的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，以加快學(xué)習(xí)速率、克服陷入局部最優(yōu)等情況，同時還可提高識別準(zhǔn)確率。

1 數(shù)據(jù)采集

在預(yù)處理階段需要對運動目標(biāo)進行提取，通過建立背景模型來提取運動目標(biāo)[6]。本文采用背景減除法進行背景分割，將分割出來的運動目標(biāo)進行二值化處理。利用圖像形態(tài)學(xué)中的腐蝕、膨脹和開閉運算，將二值化過程中產(chǎn)生的孤立點、間隙和孔洞等干擾噪點去除，獲取較為完整的目標(biāo)人像序列。用形態(tài)學(xué)細化方法將人體骨架化，即利用二值形態(tài)學(xué)中細化算法將人體整體以帶有中軸的骨架形態(tài)顯示出來，突出目標(biāo)形狀特點和拓撲結(jié)構(gòu)，減少冗余信息量。基于二值化結(jié)果，提取出人體輪廓質(zhì)心和計算出人體運動過程中的步幅變化和周期，在排除干擾因素后將結(jié)果代入優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練。

1.1 輪廓質(zhì)心距提取

在一個完整人體步態(tài)序列中，提取第k幀的二維人體輪廓線，得到運動輪廓后，使用邊界輪廓提取算法Canny算法[7-8]提取輪廓線上的坐標(biāo)點，計算輪廓質(zhì)心坐標(biāo)，公式表達為：

式中，xc和yc是質(zhì)心坐標(biāo)，Nb是輪廓線上點的個數(shù)，(xi,yi)是輪廓線上點的坐標(biāo)。

1.2 步幅及周期提取

步態(tài)變化具有周期性，體現(xiàn)為側(cè)影圖像像素數(shù)目的變化。考慮到步態(tài)具有對稱性，統(tǒng)計一個序列中側(cè)影像素數(shù)目，兩個極大值之間的距離可表示半個步態(tài)周期。本文采用文獻[3]提出改進的Robert邊緣檢測算法計算本文步態(tài)序列周期。

如圖1所示，通過測出骨架圖中腳部A點與B點的距離L，可以推算出步幅。A與B的距離為最大步幅L1，在坐標(biāo)圖中表示波峰位置；同理，波谷即為雙腳交替時的步幅。設(shè)采樣一幀的時間t為1 ms，2個波峰間采樣15幀，即一個步幅周期T＝t×15。一個最大步幅為L1=62 cm。

1.3 質(zhì)心輪廓夾角計算

由于每個人步態(tài)具有唯一性，可以用關(guān)節(jié)與質(zhì)心之間的夾角、關(guān)節(jié)與質(zhì)心之間的距離（質(zhì)心距），確定人體步態(tài)的唯一性。不足的是：人體運動時距離采集點的距離存在不定性，因此需要利用尺度不變性對圖像進行處理。進行角度提取時，可使用線性擬合和三角公式的方法。將圖片切分為多個部分進行分批擬合后得方向向量，并計算角度值，如圖2所示。

圖1 步幅及中期特征提取結(jié)果

圖2 人體質(zhì)心與關(guān)節(jié)夾角

2 粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法

2.1 整體流程思路

本文提出的優(yōu)化算法模型分為兩部分：一是利用BP神經(jīng)網(wǎng)絡(luò)正向傳播的機制，建立粒子群優(yōu)化算法對正向傳播的BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化模型；二是BP神經(jīng)網(wǎng)絡(luò)存在反向傳播機制，建立粒子群優(yōu)化算法對反向傳播的BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化模型。

（1）初級模型的建立。根據(jù)相關(guān)工作中提取得到特征值矩陣，建立傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型。

（2）建立正向BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化模型。通過粒子群優(yōu)化算法尋找 BP神經(jīng)網(wǎng)絡(luò)中正向傳播時最佳的隱含層輸出，建立基于粒子群優(yōu)化 BP神經(jīng)網(wǎng)絡(luò)正向傳播算法模型。

（3）建立反向 BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化模型。通過粒子群優(yōu)化算法尋找 BP神經(jīng)網(wǎng)絡(luò)中反向傳播時輸入層和與隱含層之間的最佳連接權(quán)值并進行修正，建立基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)反向傳播算法。

2.2 基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)正向傳播算法

在尋找適應(yīng)值前，可在初始化范圍內(nèi)，對粒子群進行隨機初始化，包括隨機位置和速度。然后定義在反向傳播中更改連接權(quán)值前后的關(guān)系作為適應(yīng)性函數(shù)，在粒子群優(yōu)化進行每一次迭代時，計算一次適應(yīng)值，結(jié)合輸入層和隱含層之間的連接權(quán)值、隱含層各神經(jīng)元之間閾值，輸出全新的適應(yīng)性函數(shù)[9-11]。

在原始BP神經(jīng)網(wǎng)絡(luò)中，將步行時4種特征值所形成的特征值矩陣，依次通過隱含層和輸出層計算，并對特征值矩陣進行變換，最終計算出吻合程度。所選取計算隱含層輸出函數(shù)定義為適應(yīng)性函數(shù)，進行迭代計算獲取到最優(yōu)隱含層輸出，即4種步行時的特征值在第一次神經(jīng)網(wǎng)絡(luò)訓(xùn)練中獲取的最優(yōu)值。

在隱含層中，隱含層輸入的數(shù)據(jù)來源為輸入層的4種步行特征值，而且輸出層中會用隱含層的輸出作為參數(shù)進行計算，使得最終輸出最優(yōu)的特征值矩陣，利用隱含層中的輸出函數(shù)作為適應(yīng)性函數(shù)。

利用每個粒子的歷史最優(yōu)值進行迭代更新，更新每個粒子的歷史最優(yōu)位置和速度。當(dāng)粒子群優(yōu)化算法達到最大迭代數(shù)時，或者得到比較好的適應(yīng)值時，即停止迭代。在隱含層的輸出歷史中選最優(yōu)值Hohbest。通過Yio函數(shù)調(diào)用隱含層的最優(yōu)輸出作為函數(shù)的輸入值，如式（4）所示。將輸出層的輸入向量作為輸入數(shù)據(jù)，并將其量化，當(dāng)作激活函數(shù)的自變量得到輸出層的輸出Yoo，將輸出層的輸出Yoo代入誤差函數(shù)E，得到實際理想誤差，如式（5）所示。

通過激活函數(shù)

通過反復(fù)迭代，當(dāng)誤差函數(shù)得出的結(jié)果在理想范圍之內(nèi)，則得到連接權(quán)值，即為最優(yōu)權(quán)值。

由于每次訓(xùn)練后步態(tài)特征值矩陣與理想狀態(tài)下的特征值矩陣之間誤差過大，故需反轉(zhuǎn)傳播，對輸入層和隱含層之間的連接權(quán)值wih與隱含層和輸出層之間的連接權(quán)值who進行改變。因此，需要先求得連接權(quán)值的變化量，即通過上一次訓(xùn)練得出的誤差E對輸入層和輸出層進行操作。

2.3 基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)反向傳播算法

將誤差函數(shù)對于隱含層和輸出層之間的連接權(quán)值的偏導(dǎo)數(shù)，以及對輸入層和隱含層之間的連接權(quán)值的偏導(dǎo)數(shù)，作為粒子群優(yōu)化算法的適應(yīng)性函數(shù)，將輸入層中每個神經(jīng)元進行粒化，利用隱含層和輸出層的連接權(quán)值、輸出層神經(jīng)元之間的閾值，通過適應(yīng)性函數(shù)取得每個粒子的適應(yīng)值[12-14]。

根據(jù)每個粒子的歷史最優(yōu)值以及粒子不停運動導(dǎo)致速度和距離不停的變更，進行反復(fù)迭代，將優(yōu)化后最接近理想值或達到最大迭代數(shù)時的函數(shù)取出，作為最優(yōu)偏導(dǎo)函數(shù)。

以同樣的方式求出誤差函數(shù)對隱含層和輸出層之間的連接權(quán)值的最優(yōu)偏導(dǎo)函數(shù)，即適應(yīng)性函數(shù)。

優(yōu)化后的 BP神經(jīng)網(wǎng)絡(luò)按照粒子群尋優(yōu)方法，通過最優(yōu)的偏導(dǎo)函數(shù)和誤差函數(shù)，選擇最優(yōu)權(quán)值和閾值，將初始值代入網(wǎng)絡(luò)中進行訓(xùn)練，得到最合適理想值。該方法學(xué)習(xí)速度大大加快，同時避免陷入局部最優(yōu)情況，提升收斂速度。

3 仿真實驗

3.1 實驗環(huán)境

為驗證粒子群優(yōu)化 BP神經(jīng)網(wǎng)絡(luò)算法的性能，本文從算法的輪廓質(zhì)心距對比、步幅及周期表達、質(zhì)心與關(guān)節(jié)之間的夾角3個方面對算法進行評估。本實驗選取Ubuntu14.04 windows10操作系統(tǒng)，12 GB內(nèi)存，四核處理器，eclipse4.6 MATLABr2016a opencv3.2處理器和Jdk1.8 python3.7環(huán)境配置。

3.2 輪廓質(zhì)心距對比實驗

在獲取到每一幀完整人體圖像后，在一個完整的人體步態(tài)序列中提取第k幀的二維人體輪廓線，計算廓線上的坐標(biāo)點，逐點計算每個點與重心坐標(biāo)的距離，用于勾畫出人體運動時質(zhì)心與輪廓各個點之間的距離圖像，如圖3所示。

圖3中，橫坐標(biāo)代表從上至下輪廓點的數(shù)量，縱坐標(biāo)代表輪廓點到質(zhì)心的距離。紅線以上的輪廓部分對應(yīng)質(zhì)心距圖中的A—B所示曲線，此部分的人臉輪廓線和人背輪廓線與質(zhì)心的距離基本一致，在質(zhì)心距圖中基本呈一條直線。B—C代表雙手部分輪廓線分布，因左右手擺動不一致，導(dǎo)致質(zhì)心距有明顯差異，從而在圖中體現(xiàn)為不重合但形狀相似的兩條曲線。C—D代表手部輪廓結(jié)束，進入腰部輪廓。此時前后兩側(cè)腰部與質(zhì)心距離基本相等，因此兩條曲線呈現(xiàn)基本一致的走勢和數(shù)值。D—E代表腰部以下部分的質(zhì)心距，其線條與手部意義相同，呈兩條曲線。E’點代表腿間的輪廓起點。從A—D點質(zhì)心距減小，圖像呈下降趨勢。經(jīng)過腰部區(qū)域（D點）后，質(zhì)心距增大，圖像呈上升趨勢。

圖3 雙臂分離時質(zhì)心距提取結(jié)果

一般識別率保持在80%為正常范圍，80%＜R的變化率＜100%時，識別率最高。

將雙臂分離與雙臂重疊的提取數(shù)據(jù)進行對比，數(shù)據(jù)分析可知每幀識別率，如表1所示。

表1 樣本識別率

由表1可知，識別率受人體樣本不同形態(tài)影響，實驗中識別率的平均值為 97.125%，高于國內(nèi)現(xiàn)今標(biāo)準(zhǔn)3.125%[15]，可以確定兩個人體樣本為同一人。

3.3 步幅及周期表達

從二值化圖像序列中可以看出，人的步態(tài)數(shù)據(jù)呈周期性變化。人體運動過程中，步幅會經(jīng)過一個周期性變化，即有一個最大值和一個最小值。本文利用人的步幅變化進行周期性分析。由此可以看出人的步幅周期是穩(wěn)定的，人的步幅大小是基本恒定的（如圖1）。

表2中，步幅在識別過程中的識別率，其變化趨勢和質(zhì)心距的變化趨勢相似。

表2 步幅識別率標(biāo)準(zhǔn)化集

3.4 質(zhì)心與關(guān)節(jié)之間的夾角

根據(jù)人體骨架圖可得質(zhì)心與各個關(guān)節(jié)之間的夾角，將骨架圖關(guān)節(jié)坐標(biāo)取出，利用三角形公式計算其內(nèi)角，如表3所示。

表3 質(zhì)心輪廓角數(shù)據(jù)集

由表3可知，質(zhì)心輪廓角數(shù)據(jù)集以人物正面朝向為0度起點，質(zhì)心以下為正，質(zhì)心以上為負。角度的變化趨勢和質(zhì)心距的變化趨勢大致相同，由于角度不受拍攝距離的影響，一般情況下每一幀圖片各個角度會直接反映人體這個時刻的狀態(tài)。

4 結(jié)語

傳統(tǒng)的 BP算法和粒子群算法容易陷入局部最優(yōu)解，導(dǎo)致識別準(zhǔn)確率不高。本文利用粒子群來優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，將優(yōu)化后初始值代入神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練，加快了學(xué)習(xí)速率、避免了陷入局部最優(yōu)，提高識別準(zhǔn)確率。通過平地行走的人體運動模式實驗，驗證了該方法的有效性。本文實驗所得準(zhǔn)確率是基于圖像畫面中人體基本的4種步態(tài)特征，即質(zhì)心距、步幅、周期和質(zhì)心夾角所得的數(shù)據(jù)，隨著實驗次數(shù)的增多，實驗的準(zhǔn)確率同樣也會提高。增加特征提取，采集更多樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，可以進一步提高網(wǎng)絡(luò)模型的魯棒性和識別準(zhǔn)確率。