m基于GRNN广义回归神经网络和HOG特征提取的人体姿态检测识别matlab仿真,样本集为TOF深度图
1.算法描述
GRNN建立在非参数核回归基础上,以样本数据为后验条件,通过执行诸如Parzen非参数估计,从观测样本里求得自变量和因变量之间的联结概率密度函数之后,直接计算出因变量对自变量的回归值。GRNN不需要设定模型的形式,但是其隐回归单元的核函数中有光滑因子,它们的取对网络有很大影响,需优化取值。GRNNb论具有良好的函数逼近性能,而且因为其网络训练更为方便,因此,GRNN在信号过程、结构分析、控制决策系统、金融领域、生物工程领域等各个科学和工程领域得到了广泛的应用。
广义回归神经网络的理论基础是非线性核回归分析,非独立变量y相对于独立变量x的回归分析实际上是计算具有最大概率值的y。设随机变量x和y的联合概率密度函数为f (x ,y),已知x的观测值为X,则y相对于X的回归,即条件均值为:
对于未知的概率密度函数f (x, y),可由x和y的观测样本经非参数估计得:
GRNN通常被用来进行函数逼近。它具有一个径向基隐含层和一个特殊的线性层。第一层和第二层的神经元数目都与输入的样本向量对的数目相等。GRNN结构如图所示,整个网络包括四层神经元:输入层、模式层、求和层与输出层。
输入层的神经元数目与学习样本中输入向量的维数m相等,每个神经元都是一个简单的分布单元,这些神经元直接将输入变量传递到隐含层中。
方向梯度直方图,也称为HOG,是一种特征描述符,类似于Canny边缘检测器。它用于计算机视觉和图像处理中的目标检测。
该技术统计图像局部区域中梯度方向的出现次数。该方法类似于边缘方向直方图和尺度不变特征变换(SIFT)。
HOG描述符关注对象的结构或形状。它比任何边缘描述符都好,因为它使用梯度的大小和角度来计算特征。对于图像区域,它使用梯度的大小和方向生成直方图。
2.仿真效果预览
matlab2022a仿真结果如下:
这里,通过TOF深度图拍摄相机获得人体不同动作姿态的深度图,其分辨率为1024*768,然后通过MATLAB软件设计本文所提出的动作姿态识别算法,通过该算法对TOF深度图进行识别,最后获得识别率。
1). TOF深度图的采集;
通过实验室的TOF深度图拍摄相机对不同人体动作姿态进行拍摄,获得一组动作姿态的连续图像序列。
2). TOF深度图的预处理;
对TOF深度图进行预处理,预处理主要通过MATLAB编程实现图像的预处理算法,主要包括图像灰度化,图像滤波去噪以及目标的提取等操作。
3). 特征数据获取;
对步骤2中获得的目标图像进行特征提取,将测试图像的特征数据随机分为两组,将一种一部分作为训练数据,另外一部分作为测试数据。
4). 数据训练;
通过训练算法对特征数据进行训练,获得识别模型。
5). 对未知数据的测试和识别;
3.MATLAB核心程序
%% 预处理: %第一步由于采集到的深度图有的地方的深度值为零,首先用最邻近差值算法将为零的深度值用其周围的点代替 I2 = func_nearest_Interpolation(I1); subplot(222); imshow(uint8(I2)); title('最邻近差值图像'); %第二步:用中值滤波算法对上一步骤获得的图像进行处理,去噪声; L = 5; I3 = uint8(medfilt2(I2,[L,L])); subplot(223); imshow(I3); title('中值滤波'); %第三步:获得二值图 I4(1:floor(5*R1/7),:) = im2bw(I3(1:floor(5*R1/7),:) , 0.9*graythresh(I3(1:floor(5*R1/7),:))); I4(1+floor(5*R1/7):R1,:) = im2bw(I3(1+floor(5*R1/7):R1,:),1.25*graythresh(I3(1+floor(5*R1/7):R1,:))); subplot(224); imshow(I4); title('二值图'); %第四步:边缘图 I5 = edge(I4,'canny'); %第5步:提取上半身 [Is,indy] = func_bodycatch(I4); Is2 = bwareaopen(Is,4000); figure(2); subplot(121); imshow(Is); title('提取上半身'); [RX,CX]= size(Is2); IIIs = zeros(RX,CX); for iii = 1:RX for jjj = 1:CX if Is2(iii,jjj) == 1 IIIs(iii,jjj) = I3(iii,jjj); end end end subplot(122); imshow(uint8(IIIs)); title('提取上半身'); %人体的提取 ff = uint8(255*Is2); [rows,cols] = size(ff); [Ls,n] = bwlabel(ff); X1 = []; X2 = []; Y1 = []; Y2 = []; flag = 0; L1 = zeros(R,C,3); S = []; for i=1:n [r,c] = find(Ls==i); a1(i) = max(r); a2(i) = min(r); b1(i) = max(c); b2(i) = min(c); w(i) = b1(i)-b2(i); h(i) = a1(i)-a2(i); S(i) = w(i)*h(i); X1 = [X1,a2(i)]; X2 = [X2,a1(i)]; Y1 = [Y1,b2(i)]; Y2 = [Y2,b1(i)]; L1(a2(i):a2(i)+2,b2(i):b1(i),1) = 0; L1(a2(i):a2(i)+2,b2(i):b1(i),2) = 0; L1(a2(i):a2(i)+2,b2(i):b1(i),3) = 255; L1(1.2*a1(i)-2:1.2*a1(i),b2(i):b1(i),1) = 0; L1(1.2*a1(i)-2:1.2*a1(i),b2(i):b1(i),2) = 0; L1(1.2*a1(i)-2:1.2*a1(i),b2(i):b1(i),3) = 255; L1(a2(i):1.2*a1(i),b1(i)-2:b1(i),1) = 0; L1(a2(i):1.2*a1(i),b1(i)-2:b1(i),2) = 0; L1(a2(i):1.2*a1(i),b1(i)-2:b1(i),3) = 255; L1(a2(i):1.2*a1(i),b2(i):b2(i)+2,1) = 0; L1(a2(i):1.2*a1(i),b2(i):b2(i)+2,2) = 0; L1(a2(i):1.2*a1(i),b2(i):b2(i)+2,3) = 255; end if length(S) > 1 LL = L1; [V,I] = sort(S); inds = I(end-1:end); [RR,CC] = size(Is2); IF = zeros(RR,CC); for i = 1:RR for j = 1:CC if Is2(i,j) == 1 IF(i,j) = I1(i,j); else IF(i,j) = 0; end end end if X1(inds(1)) < X1(inds(2)) IF1 = IF(X1(inds(1)):min(X2(inds(1)),RR),Y1(inds(1)):Y2(inds(1))); XC1 = Y2(inds(1)); YC1 = X1(inds(1)); IF2 = IF(X1(inds(2)):min(X2(inds(2)),RR),Y1(inds(2)):Y2(inds(2))); XC2 = Y2(inds(2)); YC2 = X1(inds(2)); else IF2 = IF(X1(inds(1)):min(X2(inds(1)),RR),Y1(inds(1)):Y2(inds(1))); XC2 = Y2(inds(1)); YC2 = X1(inds(1)); IF1 = IF(X1(inds(2)):min(X2(inds(2)),RR),Y1(inds(2)):Y2(inds(2))); XC1 = Y2(inds(2)); YC1 = X1(inds(2)); end end if length(S) == 1 [IF1,IF2,CUT,IFS,L1] = func_body_fenge(Is2,X1,X2,Y1,Y2); LL = L1; XC1 = Y2-30; YC1 = X1; XC2 = CUT-30; YC2 = X1; end