行人視頻檢測(cè)中陰影檢測(cè)與去除方法設(shè)計(jì)

　　上述準(zhǔn)則在應(yīng)用中，要注意Ymin、ε和Δα等閾值的選取，因?yàn)檫@對(duì)判斷結(jié)果的影響較大。要找到合適的閾值［9］，需要對(duì)視頻資料進(jìn)行大量的仿真實(shí)驗(yàn)，這需要花費(fèi)很長(zhǎng)時(shí)間，而且根據(jù)現(xiàn)有資料得到的閾值不能根據(jù)場(chǎng)景、光照等的變化自適應(yīng)進(jìn)行調(diào)整，實(shí)用價(jià)值不大。

　　針對(duì)上述問題，將模糊神經(jīng)網(wǎng)絡(luò)［10-11］融入到目標(biāo)本體與陰影的分類中是很好的解決方法。它利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力和自適應(yīng)能力來調(diào)整模糊規(guī)則和隸屬度函數(shù)，通常對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練采用ＢＰ算法，但是ＢＰ算法具有收斂性依賴初始條件，容易陷入局部極小值等問題。因此，本文采用遺傳算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，并自動(dòng)獲得最優(yōu)的模糊規(guī)則，使網(wǎng)絡(luò)能自動(dòng)適應(yīng)場(chǎng)景與光照的變化。

　　2.3 模糊神經(jīng)網(wǎng)絡(luò)

　　模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。

　　式中，ui表示對(duì)第i個(gè)模糊子集的隸屬度，zi表示輸出結(jié)論的支集值。最后，對(duì)輸出結(jié)果進(jìn)行二值化表示，1表示目標(biāo)本體，0表示陰影。當(dāng)結(jié)果小于0.05時(shí)，認(rèn)定為陰影；結(jié)果大于0.95時(shí)，認(rèn)定為目標(biāo)本體，當(dāng)結(jié)果在0.05~0.95之間時(shí)，認(rèn)為無法判斷。

　　2.4 網(wǎng)絡(luò)自適應(yīng)優(yōu)化

　　用遺傳算法對(duì)模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)進(jìn)行優(yōu)化。網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化指確定第3層節(jié)點(diǎn)數(shù)、第3層和第2層的連接數(shù)、以及第3層和第4層的連接數(shù)和連接權(quán)值。網(wǎng)絡(luò)的參數(shù)優(yōu)化包括輸入變量的隸屬度函數(shù)的中心參數(shù)和寬度參數(shù)、輸出變量的隸屬函數(shù)支集值。

　　種群的每個(gè)個(gè)體由網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)的輸入隸屬度函數(shù)參數(shù)和結(jié)論參數(shù)組成，其長(zhǎng)度為結(jié)構(gòu)基因長(zhǎng)度+參數(shù)基因長(zhǎng)度。結(jié)構(gòu)基因中“連接”采用二值的編碼，“0”表示沒有連接，“1”表示有連接，連接權(quán)值ωji用（0~1）之間實(shí)數(shù)編碼。輸入的隸屬度參數(shù)Cji和bj、結(jié)論參數(shù)zi采用實(shí)數(shù)編碼。一個(gè)染色體對(duì)應(yīng)一種模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其參數(shù)。初始種群中包含著對(duì)應(yīng)于最大節(jié)點(diǎn)數(shù)及輸入變量和輸出變量在其變化范圍內(nèi)均勻劃分模糊子集的個(gè)體，其余個(gè)體隨機(jī)產(chǎn)生。將根據(jù)經(jīng)驗(yàn)得到的規(guī)則集及輸入輸出模糊劃分對(duì)應(yīng)的向量選入初始種群。

　　遺傳操作包括復(fù)制、交叉、變異。為簡(jiǎn)化運(yùn)算實(shí)現(xiàn)實(shí)時(shí)處理，本文僅采用變異操作。二值編碼按一定的概率將控制基因串中的位從0變異為1，或者從1變異為0。實(shí)數(shù)編碼按下式突變：