1、第15卷第4期2008年12月遼東學院學報(自然科學版Journal of Liaodong University(Natural ScienceV01.15No.4D.2008【信息科學與工程】基于BP神經網絡分類器的多目標識別方法研究沈鳳龍,畢娟(遼東學院機電學院,遼寧丹東118003摘要:文章對多目標進行特征提取,數據作為神經網絡分類器的輸入,采用不同的算法對多輸出型BP神經網絡分類器和單輸出型BP神經網絡聯合分類器進行訓練,實現多目標的識別。仿真試驗結果表明,基于BP神經網絡分類器的識別方法具有較高的識別率。關鍵詞:BP神經網絡;特征提取;多目標識別中圖分類號:TP391文獻標志碼:A

2、文章編號:16734939(200804020505智能視頻監控系統在不需要人為干預情況下,利用計算機對攝像機拍錄的圖像序列進行自動分析,實現對動態場景中目標的定位、識別和跟蹤,并在此基礎上分析和判斷目標的行為,從而既能完成日常管理又能在異常情況發生時及時做出反應。智能視頻監控系統的實現將節約大量的人力、物力和財力,在各個領域中具有非常廣泛的應用前景。準確、有效的運動目標識別是實現智能視頻監控系統的一個重要環節,也是計算機視覺、模式識別等領域的一個研究熱點。目標識別領域中應用最多的也是最成功的當屬多層前饋網絡,其中又以BP神經網絡為代表悼J。作者設計了一個多輸出型BP網絡和一個聯合多個單輸出型

3、的BP網絡完成識別分類,即判斷樣本是否屬于某個類別。l識別流程BP神經網絡用于多目標識別的具體流程如圖l所示,其步驟具體如下:來知樣本集輸入樣本集f=!=一1訓練目標訓練好的網絡模型卜_叫結果圖1BP多目標識別流程1采集樣本數據集并對數據做預處理,通常BP網絡的輸人數據都需要做歸一化處理。2將已知數據樣本分為訓練集和檢驗集兩部分,訓練樣本集用于對神經網絡進行訓練,檢驗樣本集用于對訓練好的網絡進行檢驗。3選擇神經網絡的結構和規模,主要是選擇網絡的層數和每層的單元數。4選擇一定的學習算法用訓練樣本集對網絡進行訓練,使網絡的實際輸出與理想輸出滿足一定的誤差范圍。5用檢驗樣本集對網絡進行檢驗,把檢驗樣

4、收稿日期:20080615作者簡介:沈鳳龍(1975一,男,黑龍江省肇東人,碩士研究生,講師,從事圖像處理和智能機器人方面研究。基.206遼東學院學報(自然科學版第15卷本的輸入量輸入網絡,如果網絡得到的實際輸出與理想輸出在容許的誤差范圍之內,說明此神經網絡結構能夠用來識別目標,進行第6步;否則,回到步驟3重復進行。6用訓練好的網絡進行目標識別和分類,輸出識別結果。2特征提取此次試驗所用數據源于沈陽市長青橋公路上在陰天情況下采集圖像,視頻流為25幀/秒(PAL 制式,圖片規格為320×240。從視頻圖像中對三類目標各任意抽取樣本在仔細分析了視頻圖像中運動的汽車、自行車/摩托車、行人目

5、標的特點后,最終提取各個目標的面積、形狀復雜度、長寬比、速度作為目標的識別特征。限于篇幅,這里沒有列出樣本特征庫。3BP神經網絡分類器的設計和實現由于待識別的運動目標為汽車、白行車/摩托車、行人,屬于一個多目標識別問題,因此分類器的設計比較復雜。針對BP神經網絡在目標識別中的典型應用方式,設計了兩種用于多運動目標識別的BP分類器。3.1多輸出型BP分類器的設計與實現多輸出型BP分類器的結構如圖2所示,分類器采用的是一個多輸出型的三層BP神經網絡,其拓撲結構為453。網絡的輸入層節點數等于輸入特征矢量的維數,每個輸入節點對應樣本一個特征;而輸出層節點數等于類別數,一個輸出節點對應一個類呤】。BP

6、神經網絡隱含層節點數的選擇是設計的主要問題,最佳的隱含層節點數可以從訓練時間、識別率兩方面綜合考慮,由試湊法決定。它的基本思想是先放人較少的隱含層節點數,然后輸入樣本對網絡進行訓練,若達不到要求則增加隱含層節點數,直到隱含層節點數較合理為止,或者從多始減至合理的隱含層節點數。但是,這種方法需要花費大量的時間。面積形狀復雜度長寬比速度圖2多輸出型BP分類器結構在大多數情況下,隱含層節點數根據以往設計者們積累的大量經驗得到。文章采用經驗公式確定隱含層節點數,計算值按四舍五人法進行圓整【4】。s=、厄i焉i而-T五ii而iF瓦再百萬+O.5l(1式中:S為隱層節點數;rn為輸入層節點數;n為輸出層節

7、點數。網絡的傳輸函數均選用非線性S型函數Sig. moid函數,以完成輸入模式到輸出模式的非線性映射。網絡的初始權值為01之間的隨機數,節點閾值均為零。在BP網絡的訓練階段,如果輸出標本的類別標號是i,則訓練時的期望輸出設為第個節點為l,而其余輸出節點為O。在BP網絡的識別階段,當一個未知類別的樣本作用到輸入端時,考察各輸出節點的輸出。設定判決閾值(如0.9,若最大的輸出值高于判決閾值,則將這個樣本的類別判定為與輸出值最大的那個節點對應的類別。在某些情況下,如果輸出最大的節點與其他輸出的差距較小(如差距小于0.1,則可以作出拒絕決策。3.2單輸出型BP聯合分類器的設計與實現單輸出型BP聯合分類

8、器的結構如圖3所示¨一7。聯合分類器中單輸出型BP分類器的個數等于待識別目標的類別數。由于待識別目標為汽車、自行車/摩托車、行人,因此需要3個單輸出型的BP分類器。g4期沈鳳龍,畢娟:基于BP神經網絡分類器的多目標識別方法研究207圖3單輸出型BP聯合分類器結構每個單輸出型的BP分類器的輸入層節點數等于輸入特征矢量的維數,每個輸入節點對應樣本一個特征;而輸出層節點只有一個。隱含層節點數仍根據經驗公式(1確定。為每個類建立這樣的一個網絡,其拓撲結構均為44一l,網絡的傳輸函數均選用非線性S型函數Sigmoid函數,網絡的初始權值為01之間的隨機數,節點閾值均為零。對每一類目標分別進行訓

9、練,將屬于這一類的樣本的期望輸出設為1,而把屬于其它類的樣本期望設為O。分類器l判斷目標是否為“汽車”,當輸入的目標為汽車時,該分類器的輸出為1,否則為0;分類器2判斷目標是否為“自行車/摩托車”,當輸入的目標為自行車/摩托車時,該分類器的輸出為1,否則為0;分類器3判斷目標是否為“行人”,當輸入的目標為行人時,該分類器的輸出為1,否則為0。在識別階段,將未知類別的樣本輸入到每個分類器,分類器l、分類器2和分I、訓練過程乏j講練目標類器3都會有一個輸出值。聯合分類器的識別決策為:如果只有一個分類器的輸出值大于設定的判決閾值(如0.9,則判決該樣本屬于這一類;如果有兩個以上的分類器的輸出大于設定

10、的閾值,且彼此之間的差值大于某個值(如0.1,則判決該樣本屬于最大輸出對應的那一類。相反,若分類器1、分類器2和分類器3的輸出值均小于判決閾值,或者有兩個以上的分類器的輸出值大于設定的判決閾值,但是彼此間的差值特別接近,小于某個值(如0.1,則作“拒絕”判斷。4仿真實驗及結果分析在MATLAB7.1環境下進行仿真實驗。BP神經網絡的訓練集為每類目標120組歸一化特征數據。BP神經網絡的訓練誤差為0.001,普通BP算法的學習率為0.18;彈性BP算法的權值增量因子為1.2,權值減量因子為0.5;LM算法中,p的初始值為0,肛的減量因子為0.1,p的增量因子為10。圖4是分別采用普通BP算法、彈

11、性BP算法、LM算法對多輸出型BP分類器進行訓練時的訓練誤差曲線。訓練步長x10457步18步fa曾通BP算法(b彈'I生BP算法eL-M算法(79898步總錯誤睪(目標為O.001.洲練結果為0.000823691(目標為0.001,訓練結果為0.00026432圖4不同算法的訓練誤差曲線圖.208.遼東學院學報(自然科學版第15卷一一一表1是采用普通BP算法、彈性BP算法、L一練所得的學習算法性能比較。M算法分別對兩種分類器中的BP神經網絡進行訓表l學習算法性能比較1曬麗F1麗麗F孤五再瑟一。L M B P BP算法訓練算法普通算法彈性算法一二墨蔞坌耋墨耋型墮塑!12生塑墮塑!12

12、壟夔壁塑j生壟塑L一多輸出型BP分類器172.11798982.355709618單輸出型分類器13836BP聯合分類器294.4925674546291.171.533243O.520.5387分類器分類器344.22296750.97250.415_一由以上的網絡訓練結果可見,在訓練誤差一定的情況下,網絡結構越簡單,訓練時間越短,訓練所需要的步數也越少。彈性BP算法和LM算法很好地改善了前向網絡的性能,與采用普通BP算法訓練的網絡相比,其收斂速度加快、訓練時間縮短。采用LM算法的前向網絡收斂尤其迅速,但是它需要的存儲空間比較大。圖5是采用彈性BP算法進行網絡訓練后,輸218161J412娶

13、,簿D80604O 20爭一期望輸出一草輸出型8P聯合分類器輸出e一多輸出型BP分類器輸出.y嘲。1黔羅w可6F卯11卯200250樣本數/n(a分類器目標輸出入檢驗樣本集,多輸出型BP分類器和單輸出型BP聯合分類器的識別效果圖。其中,第180組樣本為汽車,第81160組樣本為自行車/摩托車,第161240組樣本為行人。由圖可見,兩種分類器均具有很好的識別效果,識別精度較高,誤差較小。單輸出型BP聯合分類器的輸出精度更高一些,其平均輸出誤差為0.0103,而多輸出型BP 分類器的平均輸出誤差為0.0184。(b分類器的輸出誤差圖5BP神經網絡分類器的識別效果表2是兩類BP分類器的識別率比較。設

14、定的判決閾值為0.9,且最大輸出值與其它輸出值的差值大于0.1.由表可見,兩種分類器的平均識別率分別為97.5%和98.33%,單輸出型BP聯合分類器的識別率相對高一些。表2兩種BP分類器的識別率比較分類器多輸出型BP單輸出型BP聯合分類器目標汽車自行車/摩托車行人臺計脾;耋姍粥姍數;確力他鑼敬蒯力他鑼貓數,本舳脅狨糊2昌囂脾腑鐋冊舶數確%侶翻喇%侶拼本舳舳狨胖舳舳瑚第4期沈鳳龍,畢娟:基于BP神經網絡分類器的多目標識別方法研究209表2是對樣本進行BP識別的結果,兩種BP分類器均采用彈性BP算法進行訓練。在判決閾值為0.9,且最大輸出值與其它輸出值的差值大于0.1的判別條件下,兩種分類器均對

15、樣本15做“拒判”處理。對于樣本15,單輸出型BP聯合分類器的最大輸出值為0.8495,其相鄰的輸出值為0.1523;而多輸出型BP分類器的最大輸出值為0.7846,其相鄰的輸出值為0.6043?？梢?單輸出型BP聯合分類器的最大輸出值與其相鄰輸出值的差別比多輸出型BP分類器的大得多。若判決閾值設為0.8,單輸出型BP聯合分類器能夠對樣本15做出正確判斷,但是多輸出型BP分類器不能。6結語文章運用基于BP神經網絡的不同算法對分類器進行訓練,并通過試驗和仿真,結果表明,采用彈性BP算法訓練的單輸出型BP聯合分類器識別率較高,并且訓練時間較短,具有較高實效性。參考文獻:1方帥.計算機智能視頻監控系

16、統關鍵技術研究:博士論文D.長春:東北大學,2005.2余靜,游志勝.自動目標識別與瑯蹤技術研究綜述J.計算機應用研究,2005(1:1215.3ZHANG G P.Neural networks for classification:8survey.IEEE Trans on Systems,Man,and CyberneticsPart C: Applicationsand Reviews.2000,30(4:451462. 4u Y,ATMosuKARlfo l,KOBASHI M.Object and eventrecognition for aerial surveillanceJ.

17、Proceedings of the SPIE Conference on Optics and Photonics in Global Home-land Sccurity.2005,4(5781:139149.5沈鳳龍,畢娟.基于多神經網絡分類器的汽車車型識別方法研究J.遼東學院學報:自然科學版,2007。14(3:135138.6段文娟.BP神經網絡應用于高等學校顧客滿意度測評的研究J.遼東學院學報:自然科學版,2008,15(2:9093.7尹春華.基于SOM神經網絡的人力資源聚類分析J.遼東學院學報:自然科學版,2006,13(1:l一5.8林雪松.MATLAB7.0應用集錦M.北京

18、:機械工業出版社,2006.(責任編輯:龍海波Multi-target Recognition Based on BP Neural Network ClassifierSHEN Feng-long,BI Juan(College ofMechanical and Electrical Engineering,Uaodong University,Dandong118003,仍訛Abstract:The features of multiple targets were extracted whose data were used as the input of neural network classifier.Both the classifier