湛 群， 趙楠翔

（1.安徽農(nóng)業(yè)大學(xué)， 安徽 合肥 230036； 2.解放軍電子工程學(xué)院， 安徽 合肥 230037）

基于改進(jìn)蟻群算法的非接觸人體測(cè)量中體型聚類分析

湛 群1， 趙楠翔2

（1.安徽農(nóng)業(yè)大學(xué)， 安徽 合肥 230036； 2.解放軍電子工程學(xué)院， 安徽 合肥 230037）

本文提出了基于改進(jìn)蟻群算法的非接觸人體測(cè)量中體型聚類分析方法.選取合適的人體測(cè)量特征數(shù)據(jù)，并進(jìn)行了正則空間變換.引入路徑信息濃度加快了蟻群算法收斂速度.實(shí)驗(yàn)結(jié)果表明，這一方法可有效適用于非接觸人體測(cè)量中的體型聚類.

非接觸人體測(cè)量；體型聚類；蟻群算法；聚類分析

1 引言

人體測(cè)量對(duì)于工業(yè)產(chǎn)品設(shè)計(jì)是一項(xiàng)非常重要的基礎(chǔ)性工作.無論是家具設(shè)計(jì)、交通工具設(shè)計(jì)、日常用品設(shè)計(jì)等領(lǐng)域，都需要相關(guān)的人體數(shù)據(jù)作為參考.而人體數(shù)據(jù)的取得需要高效準(zhǔn)確的人體測(cè)量技術(shù)，為產(chǎn)品設(shè)計(jì)提供有效的數(shù)據(jù)來源[1].正因?yàn)槿绱?，人體測(cè)量技術(shù)得到了普遍重視，各種新技術(shù)不斷涌現(xiàn).其中，以計(jì)算機(jī)視覺為基礎(chǔ)，通過二維非接觸人體測(cè)量方法獲取人體數(shù)據(jù)是一項(xiàng)具有很大潛力的技術(shù)手段，具有方便、快捷、接受度高的優(yōu)勢(shì).在利用計(jì)算機(jī)視覺實(shí)現(xiàn)接觸人體測(cè)量通常是通過相機(jī)獲得人體正面和側(cè)面圖像，再通過對(duì)圖像的處理獲得人體高度、肩寬、身體厚度等二維尺寸.然而，很多人體三維數(shù)據(jù)是無法直接通過圖像獲得的，如人體的胸圍、腰圍和臀圍等圍度尺寸數(shù)據(jù).這些數(shù)據(jù)需要通過測(cè)量得到的二維數(shù)據(jù)間接反演得到.然而，由于不同人體體型之間存在較大差異，導(dǎo)致計(jì)算模型存在很多不確定因素.在這一情況下，可以將人體體型先進(jìn)行分類，再分別建立相應(yīng)的計(jì)算模型，由此可以提高對(duì)圍度尺寸的反演精度[2].由于人體數(shù)據(jù)存在著多樣性、不確定性和類別歸屬模糊性等特點(diǎn)，這就要求一種具有自組織聚類能力的分類算法.蟻群算法作為一種仿生算法，在聚類方面具有可進(jìn)化、并行性、自組織等優(yōu)勢(shì)，因而特別適用于人體體系數(shù)據(jù)的分類工作.本文提出了一種改進(jìn)的蟻群算法.

2 人體測(cè)量數(shù)據(jù)變換與選取

在基于計(jì)算機(jī)視覺的非接觸人體測(cè)量中，獲得的二維圖像可以得到大量與人體體型相關(guān)的數(shù)據(jù)指標(biāo)，并可以通過這些指標(biāo)構(gòu)成人體分類特征.在本文中，選定 24項(xiàng)數(shù)據(jù)作為分類指標(biāo)：體重、身高、胸寬、背寬、肩高、背長(zhǎng)、胸厚、腰厚、臀厚、頸厚、臀高、頸椎點(diǎn)高、肩寬、乳點(diǎn)高、臂長(zhǎng)、下檔高、腰高、胸腰距、腰臀距、肩胸距.

為避免指標(biāo)之間的線性相關(guān)性造成的分類午餐，利用利用正則空間變換方法對(duì)目標(biāo)特征集進(jìn)行空間映射處理.設(shè)人體變量觀測(cè)矩陣為 X，對(duì) X進(jìn)行變換，使得變換后的矩陣類間距離最大，變換結(jié)果為 Y（Y為 n×R矩陣），由 X到 Y的變換矩陣 A滿足：

A可以通過正則分析方法求得.

對(duì)正則分析方法得到的特征值按照從大到小順序排列，取相應(yīng)的前R個(gè)特征向量組成矩陣A，通過這一變換將人體特征測(cè)數(shù)據(jù)在正則子空間上投影變換為Y.

3 蟻群聚類算法的改進(jìn)

在對(duì)觀測(cè)得到的人體特征測(cè)量數(shù)據(jù)進(jìn)行正則變換后，還需要通過聚類方法將不同體型的人體數(shù)據(jù)進(jìn)行分類.蟻群算法是 20世紀(jì) 09年代初由意大利學(xué)者 M.Dorigo,V.Maniezzo,A.Colorni等人提出，在數(shù)據(jù)聚類、路由尋找等領(lǐng)域取得了很好的應(yīng)用效果.常見的聚類蟻群算法有基于螞蟻覓食行為的蟻群算法和基于螞蟻堆尸行為的蟻群算法[3].

將經(jīng)過正則變換后的人體測(cè)量數(shù)據(jù)作為螞蟻搬運(yùn)的數(shù)據(jù)對(duì)象，通過螞蟻根據(jù)各數(shù)據(jù)對(duì)象相似度的聚類，通過螞蟻運(yùn)動(dòng)將相似數(shù)據(jù)聚集在一起，達(dá)到聚類的目的，假設(shè)在時(shí)刻 t某蟻群在地點(diǎn) r發(fā)現(xiàn)了一個(gè)數(shù)據(jù)對(duì)象 oi.則可將對(duì)象 oi與其鄰域?qū)ο蟮钠骄嗨菩远x為[4]:

式中，NeighS×S表示位置 r周圍面積為 S×S的方形區(qū)域，S為區(qū)域邊長(zhǎng)，參數(shù) v表示螞蟻運(yùn)動(dòng)的速度，vmax為最大運(yùn)動(dòng)速度，α 為相似性參數(shù)，d(oi,oj)表示對(duì)象 oi和 oj在屬性空間的距離.

螞蟻根據(jù)負(fù)載與數(shù)據(jù)對(duì)象的相似性來決定放下負(fù)載拾起對(duì)象[5].若當(dāng)前螞蟻無負(fù)載，則對(duì)遇到的對(duì)象計(jì)算拾起該對(duì)象的概率：

確定一個(gè)隨機(jī)概率，若 Ppick大于它，則該螞蟻拾起該對(duì)象，并隨機(jī)選擇一條路徑向別處運(yùn)動(dòng)，同時(shí)將負(fù)載標(biāo)志置 1；否則，該螞蟻放棄該對(duì)象.如果螞蟻本身的負(fù)載標(biāo)志為 1，則計(jì)算放下該負(fù)載的概率 Pdrop.

同樣確定一個(gè)隨機(jī)概率，若 Pdrop大于它，則該螞蟻放下負(fù)載，同時(shí)將負(fù)載標(biāo)志置 0，再隨機(jī)向別處運(yùn)動(dòng).

在傳統(tǒng)的螞蟻聚類算法中，螞蟻的運(yùn)動(dòng)都是隨機(jī)的，沒有考慮先前其他螞蟻的運(yùn)動(dòng)路徑信息.為了提高聚類效率，本文加入螞蟻路徑信息，通過路徑信息指示可能的聚類地點(diǎn).設(shè)螞蟻放下對(duì)象的位置為 s，則根據(jù)如下公式確定其向周圍擴(kuò)散的路徑信息：

其中，r為閾值，決定了從聚類地點(diǎn)向周圍路徑信息的擴(kuò)散范圍.

當(dāng)螞蟻在某一地點(diǎn) i“拾起”數(shù)據(jù)對(duì)象后，根據(jù)在當(dāng)前位置各條可能路徑的信息濃度，計(jì)算選擇相應(yīng)路徑的概率：

在螞蟻行進(jìn)期間，路徑上的信息濃度會(huì)發(fā)生改變，在完成一次循環(huán)后，信息素濃度根據(jù)下式調(diào)整：

式中，ρ 表示信息揮發(fā)系數(shù)，Δπij表示本次循環(huán)中路徑(i,j)上的信息增量.

由于加入了路徑信息，指明了可能的螞蟻聚類位置，從而加快了算法收斂速度.

4 算法流程與實(shí)驗(yàn)結(jié)果分析

根據(jù)改進(jìn)的蟻群算法，對(duì)實(shí)驗(yàn)獲得的 240個(gè)人體測(cè)量數(shù)據(jù)樣本先進(jìn)行了正則空間變換，再進(jìn)行了聚類運(yùn)算.為了評(píng)判算法的聚類效果，引入了基于類內(nèi)、類間距離準(zhǔn)則的聚類有效性檢驗(yàn)函數(shù)，來對(duì)聚類結(jié)果進(jìn)行評(píng)判.

將改進(jìn)的蟻群聚類算法與標(biāo)準(zhǔn)的蟻群聚類算法對(duì)相同樣本進(jìn)行處理，得到算法執(zhí)行效率和聚類有效性結(jié)果對(duì)比如表1所示.

表1 改進(jìn)蟻群算法與標(biāo)準(zhǔn)蟻群算法的聚類效果對(duì)比

由表1可見，改進(jìn)的蟻群算法可以有效完成對(duì)人體體形的非監(jiān)督聚類工作,與標(biāo)準(zhǔn)的蟻群算法相比，算法執(zhí)行效率和聚類有效性上都有了明顯改善.

5 結(jié)束語(yǔ)

以計(jì)算機(jī)視覺為基礎(chǔ)的二維非接觸式人體測(cè)量中，需要通過計(jì)算模型將獲得的人體二維尺寸數(shù)據(jù)反演出三維體型數(shù)據(jù)，這一過程中需要通過人體體型分類來選擇合適的計(jì)算模型.

本文通過對(duì)蟻群算法進(jìn)行改進(jìn)，加入聚類路徑信息，達(dá)到加快聚類的目的.通過對(duì)蟻群算法的改進(jìn)，提高了對(duì)人體體型聚類的有效性和執(zhí)行效率.在此基礎(chǔ)上建立針對(duì)性的體形三維轉(zhuǎn)換模型，可以提高非接觸式人體測(cè)量的準(zhǔn)確度.

〔1〕潘志國(guó)，王蘭美，郭業(yè)民.人體測(cè)量在工業(yè)設(shè)計(jì)領(lǐng)域的應(yīng)用[J].機(jī)械制造與自動(dòng)化，2003(6)：22-24.

〔2〕李曉久，王玉秀,劉皓.非接觸式人體測(cè)量系統(tǒng)中人體體型分類與自動(dòng)判別[J].天津工業(yè)大學(xué)學(xué)報(bào)，2007(26)：33-35.

〔3〕周爽，張鈞萍，張楓，蘇寶庫(kù).基于蟻群算法的遙感圖像聚類方法[J].哈爾濱工程大學(xué)學(xué)報(bào)，2009 (30)：210-215.

〔4〕劉念濤，劉希玉.基于改進(jìn)的啟發(fā)式蟻群算法的聚類問題的研究 [J]. 計(jì)算機(jī)技術(shù)與發(fā)展，2007 (17)：37-39.

〔5〕趙貴喜,駱魯秦，陳彬.基于蟻群算法的 kMeans聚類雷達(dá)信號(hào)分選算法 [J]. 雷達(dá)科學(xué)與技術(shù)，2009(7)：142-146.

TS941

A

1673-260X（2014）08-0056-02