基于智能家居场景下人形识别系统的开发

时间：2024-05-18

田文莎，张娃旦，田由

（南京邮电大学通信与信息工程学院，江苏南京 210046）

随着科学技术的进一步发展，智慧化已走进人们的生活，人们更加希望可以提高生活质量，比如当拖着一天的疲惫回到家中后，机器通过时间的把握和人形的识别，自动播放主人最爱的歌曲；当老人因意外不慎在家中跌倒时，机器将第一时间根据人形特征向老人子女发出求救信号；当儿童独自在家时，系统自动关闭门窗，调整屋内灯光强度，关闭屋内电器等。智能家居已成为一个热门的研究，但当今市场上，具有人形识别功能的智能家居设备较为少见，而且在没有网络的情况下无法工作，所以在智能家居背景下研究人形识别系统尤为重要。

1 软件算法设计

1.1 高斯模糊平滑处理

用卷积扫描图像中的每一个像素，用卷积确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。其中，高斯函数选用：

1.2 背景减除

用目标图像和背景图像进行减除运算，得到减除后的图像，为：

式（2）中：E（x，y）为所得图像；F（x，y）为目标图像；B（x，y）为背景图像。

1.3 LBP特征提取

对于LBP特征向量的提取，我们采取了以下步骤：①将检测窗口划分为9×9的cell。②对于每个cell中的像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0.这样，3×3邻域内的8个点经过比较可产生8位二进制数，即可得到该窗口中心像素点的LBP值。③计算每个cell的直方图，即每个数字出现的频率，然后对该直方图进行归一化处理。④将得到的每个cell的统计直方图连接成为一个特征向量，也就是整幅图的LBP纹理特征向量。

其中，归一化可采用（0，1）标准化，通过遍历单元格内的每个数据将最大值和最小值记录下来，并将最大值和最小值之差作为基数进行数据的归一化处理：

同时，一幅图像的基本组成单位是以RGB为基础的，其中，R为一个红色通道，表示为1；G为一个绿色通道，表示为2；B为一个蓝色通道，表示为3；有一处白色图像则为4，它是由1，2，3处的通道颜色混合而成，即几种颜色混合在一起将产生一种新的颜色。下面列出提取HOG特征的算法：分离人形图像3个颜色通道图像；将图像划分成小区，每个小区包含6×6像素；将3×3个小区组成一个大区，一个大区内所有小区的特征串联起来便是该大区的HOG特征。将图像内所有大区的HOG特征归一化后串联起来就可以得到该图像的HOG特征，这就是最终可供分类使用的特征向量。

1.4 SVM分类器的训练

支持向量机是一种二类分类模型，其基本模型定义为特征空间上间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。选择不同的核函数，可以生成不同的SVM，常用的核函数有以下4种：①线性核函数K（x，y）＝x×y；②多项式核函数K（x，y）＝[（x×y）＋1]d；③径向基函数K（x，y）＝exp（-|x－y|2/d2）；④二层神经网络核函数K（x，y）＝tanh[a（x×y）＋b]．

针对本项目，我们编写了人形识别的算法：①准备正样本集和负样本集，并手动裁剪样本，使样本尺寸保持一致；②将所有正样本图像放在一个文件夹中，将所有负样本放在另一个文件夹中；③提取所有正、负样本的HOG特征，对所有正负样本赋予样本标签，我们将正样本标记为1，负样本标记为0；④将正负样本的HOG特征、正负样本的标签都输入到径向基函数K（x，y）＝exp（-|x－y|2/d2）中进行训练。我们将以上算法用Python语言实现，并在树莓派上操作，用路由器将树莓派与手机终端连接起来。