行人视频检测中阴影检测与去除方法设计

　　上述准则在应用中，要注意Ymin、ε和Δα等阈值的选取，因为这对判断结果的影响较大。要找到合适的阈值［9］，需要对视频资料进行大量的仿真实验，这需要花费很长时间，而且根据现有资料得到的阈值不能根据场景、光照等的变化自适应进行调整，实用价值不大。

　　针对上述问题，将模糊神经网络［10-11］融入到目标本体与阴影的分类中是很好的解决方法。它利用神经网络的自学习能力和自适应能力来调整模糊规则和隶属度函数，通常对神经网络的训练采用ＢＰ算法，但是ＢＰ算法具有收敛性依赖初始条件，容易陷入局部极小值等问题。因此，本文采用遗传算法优化模糊神经网络的结构和参数，并自动获得最优的模糊规则，使网络能自动适应场景与光照的变化。

　　2.3 模糊神经网络

　　模糊神经网络的结构如图2所示。

　　式中，ui表示对第i个模糊子集的隶属度，zi表示输出结论的支集值。最后，对输出结果进行二值化表示，1表示目标本体，0表示阴影。当结果小于0.05时，认定为阴影；结果大于0.95时，认定为目标本体，当结果在0.05~0.95之间时，认为无法判断。

　　2.4 网络自适应优化

　　用遗传算法对模糊神经网络的结构和参数进行优化。网络的结构优化指确定第3层节点数、第3层和第2层的连接数、以及第3层和第4层的连接数和连接权值。网络的参数优化包括输入变量的隶属度函数的中心参数和宽度参数、输出变量的隶属函数支集值。

　　种群的每个个体由网络结构和网络的输入隶属度函数参数和结论参数组成，其长度为结构基因长度+参数基因长度。结构基因中“连接”采用二值的编码，“0”表示没有连接，“1”表示有连接，连接权值ωji用（0~1）之间实数编码。输入的隶属度参数Cji和bj、结论参数zi采用实数编码。一个染色体对应一种模糊神经网络结构及其参数。初始种群中包含着对应于最大节点数及输入变量和输出变量在其变化范围内均匀划分模糊子集的个体，其余个体随机产生。将根据经验得到的规则集及输入输出模糊划分对应的向量选入初始种群。

　　遗传操作包括复制、交叉、变异。为简化运算实现实时处理，本文仅采用变异操作。二值编码按一定的概率将控制基因串中的位从0变异为1，或者从1变异为0。实数编码按下式突变：