E-mail:123078624@qq.com.

动态视频图像的识别不同于静态图像，被识别物体会随着时间序列而发生形态变化[1]，故识别难度更大.对于监控视频而言，由于监控探头的角度基本不变，时常会录入没有被识别体的空画面，所以过滤空画面中的静态元素可以提高动态图像的识别效率[2].当被识别体进入监控范围时，会遮挡静态空画面图像中的像素.因此，针对视频中的连续帧采用模糊聚类(FCM)的方式，对单帧画面中的不同区域做静态识别[3].

在过滤模糊的静态像素后，识别的主要任务集中在人体识别上.人类的身体具有长宽比例大的显著特征，站立、躺爬及蹲卧的人体形态，轮廓特征基本类似.卷积神经网络(CNN)对图像的二维变换具有很好的鲁棒性，对于变化形态的图像容错性好[4].因此，本研究将连续帧的过滤图像作为CNN的输入数据，对动态视频中的人体进行识别.

1 模糊聚类(FCM)

模糊C均值聚类(FCM)是用隶属度确定每个数据点属于某个类程度的一种聚类算法.1973年，Bezdek[5]提出了该算法，是早期硬C均值聚类(HCM)方法的一种改进.

FCM把n个向量xi(i=1,2,…,n)分为c个模糊组并求每组的聚类中心，使得非相似性指标的价值函数达到最小.FCM用模糊划分，使得每个给定数据点用值在(0，1)的隶属度来确定其属于各个组的程度.与引入模糊划分相适应，隶属矩阵U允许有取值在(0，1)的元素.按照归一化规定，一个数据集的隶属度的和总为1.

(2)向后传播的阶段

在批处理方式运行时，FCM用下列步骤确定聚类中心ci和隶属矩阵U：

发汗解肌、清热透表。用于外感风寒引起的发热怕冷、头痛无汗、肢体疼痛、口渴、口苦不思饮食、咽痛鼻塞、咳嗽痰多、体倦。

式中：β是下采样层特征图的权值常数；down(·)是下采样函数.

 

(1)

步骤2 用式(2)计算c个聚类中心为

 

(2)

设置FCM的模糊加权指数m为不同的值.当m较大时，背景过滤强度太高，使得被识别主体几乎无法被识别，实验结果如图2所示；当m较小时，背景部分残余过多，同样也会降低识别率，实验结果如图3所示.

 

(3)

(1)前向传播阶段

 

(4)

2 卷积神经网络

卷积神经网络是一种深层神经网络，它采用局部感知技术，网络层之间并非采用全连接的结构，包含卷积层和下采样层，大大减少了权值的数量，提高了网络运算的效率[6]，有利于二维形状的识别，对于平移、比例缩放、倾斜或者其他形式变形的二维图像也有很强的适用性.卷积神经网络主要包括两个阶段[7]：

在对观测过程中的涉及到的各项资料进行整理时，应当在表中填入观测日期、观测标高等各项数据，完成对月沉降率，以及沉降量的计算，最终依据数据，绘制沉降过程曲线图。

步骤4 用式(4)计算新的矩阵U,返回步骤2.

前向传播就是从输入参数到输出结果的计算.上一层的输出就是当前层的输入，然后通过激活函数，计算当前层的输出，逐层传递下去.前向传播分为卷积和下采样操作，对卷积层的计算可表示为

 

(5)

在进行企业经济责任审计中，审计人员非常重要，是各项工作的实际执行者，他们的综合质素关系到整个审计工作的效率和质量。然而，我国的企业审计人员整体素质比较低，他们中的很多人员没有丰富的专业知识和工作经验，这样在实际工作中遇到难题很难及时制定有效的解决对策。同时，随着时代的发展，各类知识也在不断更新，而企业审计人员没有及时学习新的先进知识，导致自己的知识储备比较陈旧，无法满足工作的需求。

卷积神经网络的卷积层往往与下采样层交替进行，卷积层的下一层就是下采样层，对下采样层的计算可表示为

 

(6)

步骤1 用(0，1)的随机数初始化隶属矩阵U，使其满足式(1)中的约束条件.

前向传播阶段中，卷积神经网络的卷积与采样交替进行，直到输出层得到输出结果.在n层的卷积神经网络中，X作为网络输入样本，用fn表示各层采用的激活函数，W(n)表示各层的连接权值，这个过程网络执行的计算可表示为

（3）不断深化我国与国外航空用金属材料标准管理组织、机构的合作交流，及时查漏补缺，更新完善我国航空用金属材料标准化体系。一成不变的标准化管理对航空业来说是非常不利的。持续加强和ASTM 等其他标准化机构的交流合作，是促进我国航空用金属材料标准体系早日与国际接轨的关键。

式中:Mj表示输入的特征图集合表示第n层的第j个特征图是卷积核函数； f(·)是激活函数，一般使用Sigmoid函数作为激活函数是偏置参数.

y=fn(…(f2(f1(X·W(1))W(2)))…)W(n).

(7)

FCM的目标函数就是所有点隶属度乘以该点与中心的欧氏距离之和.

向后传播就是从前向传播计算出的结果与给定样本的标签值做误差运算，误差函数为

1996年颁布实施《中华人民共和国老年人权益保障法》，这是我国首部老年人权益保障法，开启了中国老龄工作新时代，标志着我国老龄工作进入法制化轨道。在养老服务方面，《老年权益保障法》主要明确了两方面的内容：一是家庭赡养与扶养，对主要养老方式、赡养人概念和义务做出具体规定。二是社会保障，对国家养老保险制度功能、养老金的发放和来源、城市“三无”老年人和农村“五保户”的供养主体、政府老年人救济、抚养扶助协议做出具体规定[13]。

 

(8)

式中:N是卷积神经网络输入图像的训练样本数；C是网络输出层神经元的个数是第i个样本的第j个输出节点的期望输出值；yji是第i个样本的第j个输出节点的实际输出值.计算实际输出与期望输出的误差后，按照极小化误差的原理对网络进行反向传播，调整网络连接权矩阵.

3 人体识别方法

算法测试数据来自变电站监控视频，该视频包含走、跑、跳、挥手等动作，如图1所示.

  

图1 监控视频片段Fig.1 Monitor video fragments

视频格式为每秒24帧，为了保证在连续的时序片段中能够将移动的特征充分识别，所以将视频截取10 s，每隔12帧抽取一次，那么可以抽取20个间隔的帧画面，这样可以避免把连续帧中被识别体不发生变化的现象也过滤掉.将24帧中相同位置的像素点组成一个向量X.

步骤3 根据式(3)计算价值函数.如果它小于阈值或相对上次价值函数值的改变量小于某个阈值，则算法停止.

体育课堂教学自身是具有一定局限性的，那么对于职业院校而言，就应该大胆实施职业体育俱乐部，这样的话，学生就可以根据自己的专业，结合自身的兴趣，有选择性参与，实现职业体育课效果的全面提升。

住宅院落根据建设年代、建设时间及建筑构材等分析，将村部房屋根据建筑质量分为建筑质量好的一类建筑、建筑质量中的二类建筑、建筑质量差的三类建筑，具体情况如下：

  

图2 FCM加权指数实验Fig.2 FCM weighted experiment

  

图3 FCM加权指数实验Fig.3 FCM weighted experiment

因此，将FCM采用不同的m值时在CNN中的识别率作为输出标准，本研究只讨论m取整数时的识别结果，m的取值优选问题将在后续研究中完善.不同加权值对识别率的影响见图4.由图4可以看出，当m的值在4附近时识别率最高.

当m=4时，可以得到图5.

分析 本题第③小问中为证明m=n,我们可以构造一个从S到T的既单又满映射(一一映射)，因为S,T为有限集，从而得到m=n.或者，首先构造一个从有限集S到T的单映射，得出m≤n,再构造一个从有限集T到S的单映射，得出n≤m，综合起来有m=n.这两种方法都不需要什么特别的技巧，但都涉及到“建立集合间对应”的数学思想，这是抽象代数里常见的策略.像“一一对应、单射、满射”这些基本的高等数学概念是每一位优秀的高中生都能掌握的.

  

图4 不同加权值对识别率的影响Fig.4 The influence of different weighted values

  

图5 加权指数为4时的图像Fig.5 The weighted values equals 4

接着，对20帧中的向量群体进行模糊聚类.计算完毕后，数量最大的类便是静止的像素点，这样可以筛选出视频内容中相对静止的像素位置.

过滤掉此视频的静止像素后，便可以使用卷积神经网络对人体进行识别.采用LeNet-5卷积神经网络模型(见图6)逆向推解，首先通过已知人体图像数据训练出模糊的网络权值，然后将抽取的60帧视频图像依次输入网络，计算每两帧数据之间的输出误差平方和，若平均误差在(0,1)即可判定视频图像在时间序列中存在移动的人体.

  

图6 LeNet-5卷积神经网络模型Fig.6 LeNet-5 convolution neural network model

 

表1 实验对比Tab.1 Experimental comparison

  

编号平均识别时间/s平均识别率/%10．519320．329630．679540．839350．379460．599170．438980．889990．7496100．7196

对10人进行视频测试，每人间隔抽取100个10帧的视频记录，如表1所示.

通过测试分析可知，识别的准确率比较高且耗费时间较短，通过在应用环境中对10帧的视频图像计算，能够快速有效地识别是否有移动的人在监控区域中出现.

4 结语

本研究对监控图像的人体识别进行了分析，提出了使用FCM模糊聚类的方法将干扰人体识别的环境背景分离出来，再使用对图像识别鲁棒性好的卷积神经网络对过滤后的图像进行人体识别，这样不仅会降低卷积神经网络的计算复杂度，还会提高识别的效率与准确率，实验也验证了该方法的有效性与高效率.但是,在做FCM聚类分析时暂未考虑m的取值优选问题，这是接下来研究提高人体识别率的目标.

参考文献：

[1] 陆朱煜,赵江坤,王逸宁,等.基于深度学习的人体行为识别算法综述[J].自动化学报,2016,42(6):848-857.

[2] 蔺广逢,范引娣.智能视频监控中的人体检测与识别[J].计算机应用,2007,27(S2):91-92.

[3] 丁震,胡钟山,杨静宇,等.一种基于模糊聚类的图像分割方法[J].计算机研究与发展,1997(7):536-541.

[4] 卢宏涛,张秦川.深度卷积神经网络在计算机视觉中的应用研究综述[J].数据采集与处理,2016,31(1):1-17.

[5] 何清.模糊聚类分析理论与应用研究进展[J].模糊系统与数学,1998(2):89-94.

[6] 许可.卷积神经网络在图像识别上的应用的研究[D].杭州：浙江大学,2012.

[7] 李彦冬,郝宗波,雷航.卷积神经网络研究综述[J].计算机应用,2016,36(9):2508-2515.