基于蚁群算法的大学生体育锻炼行为特征聚类挖掘方法_周梦天.pdf

安阳工学院学报Journal of Anyang Institute of Technology Vol.22 No.2（Gen.No.122）Mar.,2023第22卷第2期（总第122期）2023 年 3 月DOI:10.19329/ki.1673-2928.2023.02.023基于蚁群算法的大学生体育锻炼行为特征聚类挖掘方法周梦天（安徽科技学院，安徽 滁州 233100）摘 要：以改善聚类分析质量，更好地挖掘大学生体育锻炼行为特征为目的，研究基于蚁群算法的大学生体育锻炼行为特征聚类挖掘方法。通过背景减除的方式确定体育锻炼视频图像中的大学生身体，获取其二值图像，通过图像矩判断体育锻炼中大学生身体的质心，结合局部二值模式直方图特征与质心速度特征获取体育锻炼行为特征向量。构建基于蚁群算法的聚类模型，根据体育锻炼行为特征向量间的一致度实现体育锻炼行为特征聚类。同时针对蚁群算法收敛效率差，且有较大概率产生停滞问题的缺陷，通过优化信息素更新方式与蚂蚁选择路径方式优化蚁群算法。实验结果显示该方法能够准确提取体育锻炼行为特征，获取高质量的体育锻炼行为特征聚类结果。关键词：蚁群算法；体育锻炼；行为特征；聚类挖掘；质心；信息素更新中图分类号：TP311.3 文献标志码：A 文章编号：1673-2928（2023）02-0118-06 现代教育具有整体化与系统化的特征，而随着现代教育中对体育功能的认知提升，国内外大量专业学者对于体育锻炼行为的重要性进行了深入研究1。因此当代大学生在重视专业技能学习的同时，还需要注重通过体育锻炼提升自身身体素质2。而科学的体育锻炼是以技术监控的反馈信息为基础的3，根据反馈信息调整体育锻炼强度与运动行为，达到科学锻炼的目的。路来冰等在研究体育运动行为的聚类问题过程中引入人工智能技术，采用 Cite Space V 软件对体育运动行为视频图像实施可视化处理后，利用人工神经网络算法对体育运动行为进行聚类分析。但该算法在实际应用过程中无法准确提取体育运动行为特征4。邱云飞等在研究运动网格统计方法过程中引入局部聚类算法，采用局部区域抑制算法选取特征点作为聚类中心，获取运动网格，确定网格运动主方向，实现图像间的匹配5。但该算法实际应用过程中的聚类数量是人工设定的，所以导致最终聚类结果具有显著误差。针对上述问题，研究基于蚁群算法的大学生体育锻炼行为特征聚类挖掘方法，更好地实现大学生体育锻炼行为特征聚类。1 大学生体育锻炼行为特征聚类挖掘1.1 大学生体育锻炼行为特征提取在大学生体育锻炼过程中产生起跳动作的条件下，在水平方向与垂直方向上，大学生自身身体的质心位置都存在显著的变化6。在大学生体育锻炼过程中产生走动与跑动动作的条件下，大学生自身身体的质心位置在垂直方向上产生的变化并不显著，但在水平方向上的移动速度上存在显著变化，跑动动作的速度显著高于走动动作。由于大学生体育锻炼过程中不同的锻炼动作存在上述特征，因此通过分析大学生自身身体的质心在水平方向和垂直方向上的速度变化能够反映大学生体育锻炼行为特征。通过背景减除的方式确定体育锻炼中的大学生身体获取其二值图像，通过图像矩判断体育锻炼中大学生身体的质心，设定该质心为体育锻炼中大学生身体的中心7。经由分析质心在水平方向与垂直方向上的位置变化，确定体育锻炼中大学生身体运动速度的水平与垂直分量8。通过式（1）可描述图像矩：(),11,mnpqp qxygx x f x y=（1）式（1）内，g 为阶矩，下角标 p=0,1,2,3,4m、q=0,1,2,3,4n 为阶矩编号，xp与 xq分别表示不同阶矩编号下的 x 轴坐标；f（x,y）表示二值图像。针对二值图像，可利用式（2）所示的零阶矩描述区域的面积：()0011,mnxygf x y=（2）通过上述分析能够得到大学生体育锻炼过程中大学生身体的质心位置，公式描述如下：收稿日期：2022-10-12基金项目：安徽科技学院人文一般科研项目：大学生体育锻炼习惯的养成及干预策略（2021rwyb09）。作者简介：周梦天（1994），女，安徽滁州人，硕士，讲师，研究方向为体育社会学和学校体育学。第二期119（3）10000100gxggyg=若第 K 帧二值图像的质心坐标为（xk,yk），那么可利用式（4）描述下一帧图像在水平与垂直方向上的位置变化：11hKKvKKZxxZyy+=（4）考虑大学生体育锻炼图像采集过程中视频帧率与隔帧的时间间隔分别为25hZs和225z，因此可通过式（5）描述体育锻炼过程中大学生身体在水平与垂直方向上的速度：（5）252252hhvvZVZV=大学生体育锻炼行为特征提取的具体过程：（1）采用背景减除方法，在大学生体育锻炼的初始视频序列中检测锻炼目标，采集大学生体育锻炼图像，同时针对各帧图像实时裁剪与归一化处理，生成体育锻炼图像序列 F=f1,f2,fn。（2）针对体育锻炼图像序列 T 进行局部二值模式算子处理，获取局部二值模式直方图特征U=U0,U1,U2,。（3）确定体育锻炼过程大学生质心的水平速度 Vh与垂直速度 Vv，同时将 Vh与 Vv同 U 融合在一起，生成一个大学生体育锻炼行为特征向量W=U0,U1,U2,Vh,Vv。1.2 基于蚁群算法的行为特征聚类1.2.1 基于蚁群算法的聚类模型构建设定待聚类的大学生体育锻炼行为特征向量任意分布在二维网络空间内，且该空间的比例能够自由伸缩，不同网格内均包含 1 个大学生体育锻炼行为特征向量，人工蚂蚁依照网格单元进行运动，不存在移动大学生体育锻炼行为特征向量的蚂蚁在碰到大学生体育锻炼行为特征向量的条件下可依照某概率高低搬运该大学生体育锻炼行为特征向量9。携带大学生体育锻炼行为特征向量的蚂蚁在碰到空单元，或所搬运大学生体育锻炼行为特征向量同邻近网格内的大学生体育锻炼行为特征向量具有较高一致度的条件下，可依照周边大学生体育锻炼行为特征向量类型密度计算放下大学生体育锻炼行为特征向量的概率10，按照相应概率值放下大学生体育锻炼行为特征向量。如果密度较高就需要放下大学生体育锻炼行为特征向量，相反继续携带大学生体育锻炼行为特征向量。在此基础上时刻实现类型一致的大学生体育锻炼行为特征向量聚类。以欧氏距离 d（Wi,Wj）描述二维网格内的大学生体育锻炼行为特征向量 Wi 与 Wj间的距离11，如果两者具有较高一致度，则 d（Wi,Wj）=0；相反 d（Wi,Wj）=1。经由欧氏距离的计算能够获取一个二维的一致度矩阵。如果在该二维网格内，数个蚂蚁持续重复大学生体育锻炼行为特征向量的拾起与放下过程，则在任意时刻蚂蚁在 r单元上发现大学生体育锻炼行为特征向量 Wi后，可通过式（6）描述其局部密度：（6）()(),22ijiid W WWsf W+=式（6）内，单元 r 的邻域面积为 ss。以 Bp（Wi）和 Bd（Wj）分别表示蚂蚁移动过程中拾起大学生体育锻炼行为特征向量的概率和放下大学生体育锻炼行为特征向量的概率，两者的计算公式描述如下：（7）()()()()()()2112221piiiidiiCBWCf Wf Wf WCBWf WC=+=式（7）内，C1和 C2均为阈值常数。以上所描述的基于蚁群算法的大学生体育锻炼行为特征聚类模型在实际聚类挖掘过程中以二维网格为基础实现大学生体育锻炼行为特征聚类。在大学生体育锻炼行为特征为高维数据的条件下，可选择利用降维的方式将大学生体育锻炼行为特征映射至相对较小的维度空间内12，在此基础上完成聚类过程，此过程中需要注意的是，网格的精度对于最终大学生体育锻炼行为特征聚类的准确度产生一定影响。大学生体育锻炼行为特征被拾起与放下的标准13：对比网格内任意大学生体育锻炼行为特征同其分析所得的拾起与放下概率值的大小，如果任意大学生体育锻炼行为特征较小，那么人工蚂蚁进行拾起与放下处理，两种处理方式则由f（Wi）决定。如果是一致度高，则 Bp（Wi）小，也即是此大学生体育锻炼行为特征归于此簇，并且放下此大学生体育锻炼行为特征的概率 Bd（Wi）较大，大学生体育锻炼行为特征归于此簇；反之亦然。周梦天：基于蚁群算法的大学生体育锻炼行为特征聚类挖掘方法2023 年安阳工学院学报1201.2.2 蚁群算法的优化基于蚂蚁堆理论的聚类算法无需预先设置簇的数量，且可以构造局部任意形状的簇。经由散发信息素的过程优化蚂蚁运动路径。但上述算法在实际应用过程中依旧具有一定缺陷，人工蚂蚁任意地拾起或放下大学生体育锻炼行为特征向量，因此在实际聚类过程中蚁群算法收敛效率较差，虽然利用正反馈机制能够获取高质量的解，但有较大概率产生停滞问题。依照大学生体育锻炼行为特征聚类挖掘的具体特征，针对蚁群算法应用于聚类挖掘过程中的实际缺陷，对蚁群算法实施优化，具体优化过程：信息素更新方式优化。以 A 表示蚂蚁种群，令 A 只蚂蚁实施多次搜索，如果第 a A 只蚂蚁将第 n 个大学生体育锻炼行为特征向量划分至第 k 类，则在第 a 只蚂蚁的 nk 路径上更新较大的信息素浓度，同时设置标志ankH，其值为 1 的条件下表示第 a 只蚂蚁将第n个大学生体育锻炼行为特征向量划分至第k类。但此过程中不同蚂蚁间彼此影响14，因此在此过程中第 a 只蚂蚁的信息素浓度提升导致其他蚂蚁在 nk 路径上的信息素浓度也有所提升，同时可通过 表示第 a 只蚂蚁信息素浓度对其他蚂蚁的影响，以此为基础更新其他蚂蚁在 nk 路径上的信息素浓度。由此在不同蚂蚁各次的持续搜索过程中，不同路径上的信息素浓度也持续产生波动。结束各次搜索过程后，更新不同蚂蚁的不同路径信息素浓度，利用式（8）表示不同蚂蚁在任意路径上的信息素增量：（8）()()1Akkxijijijhhxx kkkPHhHhTT=+且式（8）内，和()xijHh分别表示一个任意正常数和第 h 次第 k 只蚂蚁的分类结果，()xijHh值为1 的条件下表示分类成功，即蚂蚁将第 i 个大学生体育锻炼行为特征向量划分至第 j 类，()xijHh值为 0 的条件下表示分类不成功。hkT和分别表示第 h 次第 k 只蚂蚁将全部大学生体育锻炼行为特征向量样本类别划分完成后不同样本至各个聚类中心的距离总值和第 k 只蚂蚁受其他蚂蚁影响的水平；其中，的取值范围为 0,1，hkT 的计算过程：（9）式（9）内，Xi表示大学生体育锻炼行为特征向量集合，Zj表示第 j 个聚类中心。信息素更新方式优化过程中，以避免最初搜索过程中最优路径被疏漏为目的，将随机扰动策略引入蚁群算法内，由此保障最优路径在选择范围内。蚂蚁选择路径方式的优化。优化过程中引入蚂蚁的感觉与知觉特性15。以kijP表示第 k 只蚂蚁对第 i 个大学生体育锻炼行为特征向量划分至第 j 个类别的信息素浓度，以和分别表示蚂蚁的绝对感觉阈限与差别感觉阈限，以 Pijmax表示任意路径上的极限信息素浓度，由此可通过式（10）描述优化后的蚂蚁选择路径的方式：（10）2 实验结果为验证本文所研究的基于蚁群算法的大学生体育锻炼行为特征聚类挖掘方法的实际应用效果，以 weizmann 数据库与 KTH 数据库为实验对象，利用 2 个数据库内所包含的大学生体育锻炼视频图像进行大学生体育锻炼行为特征聚类挖掘测试。2.1 实验条件设置（1）weizmann 数据库内包含 12 个大学生的走路、跑步、跳跃、弯腰、举臂、击掌等 6 种体育锻炼行为，不同大学生的不同锻炼行为视频图像分辨率为 192148，28 帧/秒。（2）KTH 数据库中则包含下体护身、跳绳、慢跑、快走以及立定跳远 5 种体育锻炼行为，不同大学生的不同锻炼行为视频图像分辨率为168122，26 帧/秒。表 1 所示为本文方法中蚁群算法参数设置情况。2.2 大学生体育锻炼行为特征提取性能分析针对两个数据库中的不同锻炼行为视频图像，采用本文方法进行大学生体育锻炼行为特征提取，所得结果如表 2 和表 3 所示。第二期121表 1 蚁群算法参数设置情况蚂蚁数量/只路径上的极限信息素浓度迭代次数上限/次聚类时间/s最优路径度量值/min50400 50 11.5349 842504