上述準則在應用中，要注意Ymin、ε和Δα等閾值的選取，因為這對判斷結果的影響較大。要找到合適的閾值［9］，需要對視頻資料進行大量的仿真實驗，這需要花費很長時間，而且根據(jù)現(xiàn)有資料得到的閾值不能根據(jù)場景、光照等的變化自適應進行調(diào)整，實用價值不大。

　　針對上述問題，將模糊神經(jīng)網(wǎng)絡［10-11］融入到目標本體與陰影的分類中是很好的解決方法。它利用神經(jīng)網(wǎng)絡的自學習能力和自適應能力來調(diào)整模糊規(guī)則和隸屬度函數(shù)，通常對神經(jīng)網(wǎng)絡的訓練采用ＢＰ算法，但是ＢＰ算法具有收斂性依賴初始條件，容易陷入局部極小值等問題。因此，本文采用遺傳算法優(yōu)化模糊神經(jīng)網(wǎng)絡的結構和參數(shù)，并自動獲得最優(yōu)的模糊規(guī)則，使網(wǎng)絡能自動適應場景與光照的變化。

　　2.3 模糊神經(jīng)網(wǎng)絡

　　模糊神經(jīng)網(wǎng)絡的結構如圖2所示。

　　式中，ui表示對第i個模糊子集的隸屬度，zi表示輸出結論的支集值。最后，對輸出結果進行二值化表示，1表示目標本體，0表示陰影。當結果小于0.05時，認定為陰影；結果大于0.95時，認定為目標本體，當結果在0.05~0.95之間時，認為無法判斷。

　　2.4 網(wǎng)絡自適應優(yōu)化

　　用遺傳算法對模糊神經(jīng)網(wǎng)絡的結構和參數(shù)進行優(yōu)化。網(wǎng)絡的結構優(yōu)化指確定第3層節(jié)點數(shù)、第3層和第2層的連接數(shù)、以及第3層和第4層的連接數(shù)和連接權值。網(wǎng)絡的參數(shù)優(yōu)化包括輸入變量的隸屬度函數(shù)的中心參數(shù)和寬度參數(shù)、輸出變量的隸屬函數(shù)支集值。

　　種群的每個個體由網(wǎng)絡結構和網(wǎng)絡的輸入隸屬度函數(shù)參數(shù)和結論參數(shù)組成，其長度為結構基因長度+參數(shù)基因長度。結構基因中“連接”采用二值的編碼，“0”表示沒有連接，“1”表示有連接，連接權值ωji用（0~1）之間實數(shù)編碼。輸入的隸屬度參數(shù)Cji和bj、結論參數(shù)zi采用實數(shù)編碼。一個染色體對應一種模糊神經(jīng)網(wǎng)絡結構及其參數(shù)。初始種群中包含著對應于最大節(jié)點數(shù)及輸入變量和輸出變量在其變化范圍內(nèi)均勻劃分模糊子集的個體，其余個體隨機產(chǎn)生。將根據(jù)經(jīng)驗得到的規(guī)則集及輸入輸出模糊劃分對應的向量選入初始種群。

　　遺傳操作包括復制、交叉、變異。為簡化運算實現(xiàn)實時處理，本文僅采用變異操作。二值編碼按一定的概率將控制基因串中的位從0變異為1，或者從1變異為0。實數(shù)編碼按下式突變：