行人視頻檢測中陰影檢測與去除方法設計

　　上述準則在應用中，要注意Ymin、ε和Δα等閾值的選取，因為這對判斷結果的影響較大。要找到合適的閾值［9］，需要對視頻資料進行大量的仿真實驗，這需要花費很長時間，而且根據現有資料得到的閾值不能根據場景、光照等的變化自適應進行調整，實用價值不大。

　　針對上述問題，將模糊神經網絡［10-11］融入到目標本體與陰影的分類中是很好的解決方法。它利用神經網絡的自學習能力和自適應能力來調整模糊規則和隸屬度函數，通常對神經網絡的訓練采用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化模糊神經網絡的結構和參數，并自動獲得最優的模糊規則，使網絡能自動適應場景與光照的變化。

　　2.3 模糊神經網絡

　　模糊神經網絡的結構如圖2所示。

　　式中，ui表示對第i個模糊子集的隸屬度，zi表示輸出結論的支集值。最后，對輸出結果進行二值化表示，1表示目標本體，0表示陰影。當結果小于0.05時，認定為陰影；結果大于0.95時，認定為目標本體，當結果在0.05~0.95之間時，認為無法判斷。

　　2.4 網絡自適應優化

　　用遺傳算法對模糊神經網絡的結構和參數進行優化。網絡的結構優化指確定第3層節點數、第3層和第2層的連接數、以及第3層和第4層的連接數和連接權值。網絡的參數優化包括輸入變量的隸屬度函數的中心參數和寬度參數、輸出變量的隸屬函數支集值。

　　種群的每個個體由網絡結構和網絡的輸入隸屬度函數參數和結論參數組成，其長度為結構基因長度+參數基因長度。結構基因中“連接”采用二值的編碼，“0”表示沒有連接，“1”表示有連接，連接權值ωji用（0~1）之間實數編碼。輸入的隸屬度參數Cji和bj、結論參數zi采用實數編碼。一個染色體對應一種模糊神經網絡結構及其參數。初始種群中包含著對應于最大節點數及輸入變量和輸出變量在其變化范圍內均勻劃分模糊子集的個體，其余個體隨機產生。將根據經驗得到的規則集及輸入輸出模糊劃分對應的向量選入初始種群。

　　遺傳操作包括復制、交叉、變異。為簡化運算實現實時處理，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。實數編碼按下式突變：