1.软件版本

matlab2013b

2.本算法理论知识

GRNN广义回归神经网络的理论基础是非线性核回归分析，非独立变量y相对于独立变量x的回归分析实际上是计算具有最大概率值的y。设随机变量x和y的联合概率密度函数为f (x ,y)，已知x的观测值为X，则y相对于X的回归，即条件均值为：

对于未知的概率密度函数f (x, y)，可由x和y的观测样本经非参数估计得：

其中：和为随机变量x和y的样本观测值；为光滑因子；n为样本数目；p为随机变量x的维数。

根据式子1和2可以得到：

GRNN通常被用来进行函数逼近。它具有一个径向基隐含层和一个特殊的线性层。第一层和第二层的神经元数目都与输入的样本向量对的数目相等。GRNN结构如图1所示，整个网络包括四层神经元：输入层、模式层、求和层与输出层。

输入层的神经元数目与学习样本中输入向量的维数m相等，每个神经元都是一个简单的分布单元，这些神经元直接将输入变量传递到隐含层中。

具体过程如下：

预处理：

第一步：由于采集到的深度图有的地方的深度值为零，首先用最邻近差值算法将为零的深度值用其周围的点代替；

第二步：用中值滤波算法对上一步骤获得的图像进行处理，去噪声；

头模型匹配：

第三步：首先对图像进行边缘检测，采用canny算法，对采集后的图像进行距离转换，然后用头模型（图片集中的头模型）进行头部匹配，最终定位人的位置；

提取人形：

第四步：由于人脚与地面处于同一深度，所以先用F响应滤波器对图像进行处理，提取人脚与地面的边缘；

第五步：采用区域增长算法，对定位的人进行提取，最终提取整个人形，；

特征提取：

第六步：用HOG方法对上一步获得的图像进行特征提取；

第七步：用深度差分算法对第五步获得的图像进行特征提取，特征函数为：

GRNN分类：

第八步：构造多分类GRNN，可以实现姿态识别的效果

3.部分源码

clc;
clear;
warning off;
addpath 'func\'

load Step1.mat
load Step5.mat



%将趋于中的小空隙填满
SE2         = strel('ball',3,3);
I133        = (imdilate(double(255*I13),SE2,'same')); %dilate
[r,c] = size(I133);
I14   = zeros(r,c);
for i = 1:r
    for j = 1:c
        if I133(i,j) > 100
           I14(i,j) = 1;
        end
    end
end


ff          = uint8(255*I14);
[rows,cols] = size(ff);
[Ls,n]      = bwlabel(ff);
X1          = [];
X2          = [];
Y1          = [];
Y2          = [];
flag        = 0;

for i=1:n
    [r,c]     = find(Ls==i);
    a1(i)     = max(r);
    a2(i)     = min(r);
    b1(i)     = max(c);
    b2(i)     = min(c);
    w(i)      = b1(i)-b2(i);
    h(i)      = a1(i)-a2(i);
    X1        = a2(i);
    X2        = a1(i);
    Y1        = b2(i);
    Y2        = b1(i);
end

I1s      = I1;
[r,c,k]  = size(I1);
I1s      = I1;
for i = 1:r
    for j = 1:c
        if I14(i,j) == 0
           I1s(i,j,:) = 0;
        end
    end
end

Images = I1s(X1:X2,Y1:Y2,:);





figure;
subplot(131);
imshow(I1,[]);
title('原始图');
subplot(132);
imshow(I14,[]);
title('人体提取图');
subplot(133);
imshow(Images,[]);
title('人体提取图');


I = Images;
%HOG特征提取
FX_Number   = 9;  %9个方向
FilterSize  = 0;  %高斯低通滤波器大小
FilterDelta = 0;  %标准偏差
Angles      = 180;%角度
CellSize    = 8;  %分割大小8X8
move_pixel  = 8;  %移动像素

if size(I,3) == 3
    I_gray = rgb2gray(I);
else
    I_gray = I;
end
I_gray = imresize(I_gray,[270,150]);

%梯度和梯度角度计算
[GradientX,GradientY,Gr] = func_Gradient(I_gray,FilterSize,FilterDelta);
%角度计算
A                        = func_HOG_Angle(GradientX,GradientY,Angles);
%计算统计向量
[height,width]           = size(I_gray);                 
Hog_Dat                  = func_Gradient_TJ(Gr,A,Angles,FX_Number,width,height,CellSize,move_pixel);
Hog_Dat                  = Hog_Dat(:);

save test_feature.mat Hog_Dat