1、“.....本文没有采用传统的灰度背景差分，而是采用彩色背景差分，然后运用了数字形态学方法主要是开闭运算处理由于检测后图像或多或少存在的干扰和噪声等，可以使提取出的人体目标区域更为完整，图是经过彩色背景差分和形态学处理后的人体图像，包括直立行走下蹲和跑步姿态，可以看出人体姿态完整，干扰被消除。为了缩小特征向量的维数，将轮廓样本图像归到，归化到这个尺寸是为了在后面进行神经网络训练时保证得到训练网络的，冯静基于证据理论的可靠性信息融合方法研究计算机仿真，孙涛，张宏建目标识别中的信息融合技术自动化仪表，收稿日期。运动人体姿态的特征提取运动人体是形变体，其特征的选取做到稳定和不变是困难的，采用单特征提取方法更不稳定，所以本文采用多特征提取方法来表达运动的人体......”。

2、“.....通过各种人体姿态样本的训练，基于单个神经网络的人体姿态识别错率，而通过证据理论对种特征输入神经网络的融合，识别的率降低到，表明本文采用多神经网络方法对运动变形的人体姿态识别是有效的实际运动人体试验结果表明本文提出的基于多神经网络融合的运动人体识别方法可以用于各种智能监控系统中。参考文献林庆，史振杰证据理论对每个神经网络输出进行融合处理，试验结果已表明基于组合神经网络的运动人体识别率比采用单的神经网络有很大的提高。对多人体的互动姿态进行识别，可以推理打架斗殴追逐自然行走等典型互动行为，对异常进行报警。其典型单人体姿态和双人体交互姿态识别分别如圖和图所示。为满足人体姿态的识别实验要求，对每种特征选择副图像作为训练样本，选择副图像作为测试样本，并且使用修正的证据理论进行多条证据的融合。本是通过采集处理的各种人体运动姿态图像集......”。

3、“.....也可以由计算机批量自动添加，采用带动量的梯度下降法进行训练，精度指标取，迭代上限为万次。其典型的训练过程如图所示。基于证据理论的神经网络的融合证据理论能够有效的融合多种证据源数据，本文将利用这种理论对种神经网络的输出进行融合。在本文中，有种待识别的典型人体姿态，因此互斥元素个数为个，假定姿态集合直立，行走，跑步，下蹲，伸臂，每人体姿态识别多特征神经网络的建立训练与融合多神经网络的建立特征向量的组织在人体姿态识别中是非常重要的，般个神经网络对应种类型的特征分类，然而将各种特征组合在起形成个特征向量，不仅训练时间长，而且训练后网络的泛化性不够理想，所以本文建立了个神经网络，将他们组合成个更强的分类器。个网络的输入分别是人体姿态的轮廓特征向量区域特征向量和矩特征向量，对其者的输出进行加权后，用证据理论进行融合，得移旋转和比例缩放不变，本文取其作为人体的特征向量，......”。

4、“.....在智能视频监控虚拟现实技术人机交互体育运动分析和动画制作等领域都有着广泛的应用。但目前成熟的应用还主要集中在简单的人体区域跟踪上，由于人体的运动变形，特征难以固定不变，采用种特征来识斯分布方法建立背景模型，并利用彩色背景差分能够快速从背景图像中检出人体运动姿态采用人体图像的轮廓特征实体特征和几何矩特征来表达运动人体的各种姿态是有效的建立了对应种特征的神经网络分类器，通过各种人体姿态样本的训练，基于单个神经网络的人体姿态识别错率，而通过证据理论对种特征输入神经网络的融合，识别的率降低到，表明本文采用多神经网络方法对运动变形的人体姿态识别是有效的实际运动人体试验结取运动人体的轮廓区域和几何矩种特征进行人体姿态表达......”。

5、“.....利用加权的证据理论对每个神经网络输出进行融合处理，试验结果已表明基于组合神经网络的运动人体识别率比采用单的神经网络有很大的提高。对多人体的互动姿态进行识别，可以推理打架斗殴追逐自然行走等典型互动行为，对异常进行报警。其典型单人体姿态和双人体交互姿态识别分别如圖和图所示。为满足人体姿态的识别实验要求，对每种进行神经网络训练，训练的时候只要将输入样本与其对应的标识相关联即可。采用有师指导的监督训练，训练样本是通过采集处理的各种人体运动姿态图像集，可以手工添加样本，也可以由计算机批量自动添加，采用带动量的梯度下降法进行训练，精度指标取，迭代上限为万次。其典型的训练过程如图所示。基于证据理论的神经网络的融合证据理论能够有效的融合多种证据源数据，本文将利用这种理论对种神经网络的输出进行融合。在本基于多神经网络融合的运动人体姿态识别论文原稿人体姿态会产生较高率，针对这问题......”。

6、“.....使其具有互补性，当个特征表达缺失或缺少唯性时，由其它两个特征来弥补，每个特征都有自己的分类器，最后的分类由证据理论给出判决结果。对于幅图像的维阶几何矩定义为通过归化处理可以得到个关于图像中心的几何矩不变量，其中前个平移旋转和比例缩放不变，本文取其作为人体的特征向量，。技术研究南京航天航空大学冯静基于证据理论的可靠性信息融合方法研究计算机仿真，孙涛，张宏建目标识别中的信息融合技术自动化仪表，收稿日期。对于幅图像的维阶几何矩定义为通过归化处理可以得到个关于图像中心的几何矩不变量，其中前个区域和人体几何矩不变量种特征作为运动人体的姿态表示。基于多神经网络融合的运动人体姿态识别论文原稿。人体姿态识别多特征神经网络的建立训练与融合多神经网络的建立特征向量的组织在人体姿态识别中是非常重要的，般个神经网络对应种类型的特征分类......”。

7、“.....不仅训练时间长，而且训练后网络的泛化性不够理想，所以本文建立了个神经网络，将他们组合成个更强的分类器。个网络的输入分表明本文提出的基于多神经网络融合的运动人体识别方法可以用于各种智能监控系统中。参考文献林庆，史振杰，詹永照，徐剑晖基于感兴趣区域的运动人体跟踪江苏大学学报，刘菲运动人体行为分析系统及关键技术研究西安市西安电子科技大学，黄国范，程小平，任菲人体动作姿态的自动识别方法研究西南师范大学学报，李敏人体姿态识别技术研究及其在智能监护系统中的应用北京交通大学，谢非智能监控系统中人体及其多种姿态的识特征选择副图像作为训练样本，选择副图像作为测试样本，并且使用修正的证据理论进行多条证据的融合。表显示了单个方向的神经网络的识别结果与经过融合策略融合之后的识别结果。从表中可知，多特征融合之后的识别准确率高于单特征的神经网络的识别率，因此......”。

8、“.....结语通过基于多神经网络的运动人体姿态识别的研究和试验，最后得到以下几点结论通过中，有种待识别的典型人体姿态，因此互斥元素个数为个，假定姿态集合直立，行走，跑步，下蹲，伸臂，每个神经网络的输出节点为个，每个姿态的置信度是是节点输出值的归化结果，将个网络的输出作为基本证据源对者融合，并进行加权处理，得到最后的运动人体识别结果。运动人体姿态识别试验结果根据运动人体姿态的多样性，采用多种典型姿态对运动人体进行分类，考虑到运动人体易于变形的特点，采用单特征会降低识别的准确性，分别是人体姿态的轮廓特征向量区域特征向量和矩特征向量，对其者的输出进行加权后，用证据理论进行融合，得到最终的分类结果。个神经网络分类器结构及融合原理如图所示。神经网络的训练由于人属于非刚性物体，运动姿态多种多样......”。

9、“.....编码方式采用排它的方法，样本姿态属于类别用表示，不属于用表示。那么对于标识为的姿态表示是种姿态类别中的第种姿态。然后对采集的人体姿态样基于多神经网络融合的运动人体姿态识别论文原稿噪声等，可以使提取出的人体目标区域更为完整，图是经过彩色背景差分和形态学处理后的人体图像，包括直立行走下蹲和跑步姿态，可以看出人体姿态完整，干扰被消除。运动人体姿态的特征提取运动人体是形变体，其特征的选取做到稳定和不变是困难的，采用单特征提取方法更不稳定，所以本文采用多特征提取方法来表达运动的人体，以多代单能更合理更准确体现运动人体的各种姿态。通过对目前主流的特征提取方法的分析，选择人体轮廓人化性和识别结果的准确率，如果偏小则识别精度下降，如果偏大则网络训练的迭代次数多，训练时间长。这样像素点的维数为，将图像按行堆叠成轮廓特征向量是区域特征向量同轮廓特征向量的提取样......”。