本發(fā)明涉及模式識別
技術(shù)領(lǐng)域：
，特別涉及一種步態(tài)識別方法及系統(tǒng)。
背景技術(shù)：
：模式識別，是通過計(jì)算機(jī)用數(shù)學(xué)技術(shù)方法來研究模式的自動處理和判讀。我們把環(huán)境與客體統(tǒng)稱為“模式”。隨著計(jì)算機(jī)技術(shù)的發(fā)展，人類有可能研究復(fù)雜的信息處理過程。信息處理過程的一個(gè)重要形式是生命體對環(huán)境及客體的識別。對人類來說，特別重要的是對光學(xué)信息(通過視覺器官來獲得)和聲學(xué)信息(通過聽覺器官來獲得)的識別。這是模式識別的兩個(gè)重要方面。步態(tài)識別，即通過分析人們走路的姿態(tài)進(jìn)行身份識別，是一種較新的生物認(rèn)證技術(shù)。與其他的生物識別技術(shù)相比，步態(tài)識別具有非接觸遠(yuǎn)距離和不容易偽裝的優(yōu)點(diǎn)。在智能視頻監(jiān)控領(lǐng)域，比面像識別更具優(yōu)勢。在模式識別、計(jì)算機(jī)可視化和圖像處理等研究領(lǐng)域，數(shù)據(jù)經(jīng)常以張量模式儲存，譬如，灰度圖像是二階張量(矩陣)、彩色圖像是三階張量等等。不同于向量模式表示方法，張量模式表示能夠儲存更多向量模式無法表示的信息，如原始數(shù)據(jù)的結(jié)構(gòu)信息、內(nèi)在依賴性等。隨著大數(shù)據(jù)時(shí)代的到來，數(shù)據(jù)的張量表達(dá)逐漸成為主流，如步態(tài)數(shù)據(jù)，以3階張量表示一段步態(tài)圖像序列。而現(xiàn)有的步態(tài)識別方法通常是基于向量模式算法對張量數(shù)據(jù)進(jìn)行處理。傳統(tǒng)的向量模式算法在處理張量數(shù)據(jù)時(shí)，存在諸多問題。根據(jù)向量模式算法的觀點(diǎn)，須在預(yù)處理階段對原始數(shù)據(jù)進(jìn)行特征提取(向量化)，這樣，容易破壞張量數(shù)據(jù)特有的空間信息及內(nèi)在相關(guān)性；且模型參數(shù)過多，容易導(dǎo)致維度災(zāi)難、過學(xué)等問題；另外，向量數(shù)據(jù)常常夾雜較多冗余信息，對分類識別問題具有一定的破壞性。技術(shù)實(shí)現(xiàn)要素：本發(fā)明提供了一種步態(tài)識別方法及系統(tǒng)，旨在至少在一定程度上解決現(xiàn)有技術(shù)中的上述技術(shù)問題之一。為了解決上述問題，本發(fā)明提供了如下技術(shù)方案：一種步態(tài)識別方法，包括以下步驟：步驟a：對步態(tài)圖像序列進(jìn)行預(yù)處理，并將所述預(yù)處理后的步態(tài)圖像序列以三階張量模式進(jìn)行存儲；步驟b：提取所述步態(tài)圖像序列中有分類作用的張量特征，根據(jù)所述有分類作用的張量特征構(gòu)建張量分類模型；步驟c：提取所述步態(tài)圖像序列中未知步態(tài)數(shù)據(jù)的張量特征，將所述未知步態(tài)數(shù)據(jù)的張量特征輸入張量分類模型中，通過所述張量分類模型預(yù)測所述未知步態(tài)數(shù)據(jù)的標(biāo)簽。本發(fā)明實(shí)施例采取的技術(shù)方案還包括：所述步驟a前還包括：采集測試者不同視角、不同行走條件下的步態(tài)圖像序列；所述不同行走條件包括普通條件、裹大衣條件及攜帶包裹條件。本發(fā)明實(shí)施例采取的技術(shù)方案還包括：在所述步驟a中，所述對步態(tài)圖像序列進(jìn)行預(yù)處理具體包括：對所述步態(tài)圖像序列進(jìn)行降噪處理，通過圖像分割將測試者與背景進(jìn)行分離，并對分離后的步態(tài)圖像序列進(jìn)行二值化處理。本發(fā)明實(shí)施例采取的技術(shù)方案還包括：在所述步驟b中，所述提取步態(tài)圖像序列中有分類作用的張量特征，根據(jù)所述有分類作用的張量特征構(gòu)建張量分類模型具體包括：基于遺傳算法提取步態(tài)圖像序列中有分類作用的張量特征，并標(biāo)記有分類作用的張量特征的位置坐標(biāo)；根據(jù)標(biāo)記的有分類作用的張量特征位置坐標(biāo)，以張量特征更緊湊地表示步態(tài)數(shù)據(jù)；并根據(jù)以張量特征表示的步態(tài)數(shù)據(jù)構(gòu)建支持塔克機(jī)的張量分類模型。本發(fā)明實(shí)施例采取的技術(shù)方案還包括：在所述步驟c中，所述通過張量分類模型預(yù)測所述未知步態(tài)數(shù)據(jù)的標(biāo)簽具體為：根據(jù)標(biāo)記的有分類作用的張量特征的位置坐標(biāo)提取步態(tài)圖像序列中未知步態(tài)數(shù)據(jù)的張量特征，并以未知步態(tài)數(shù)據(jù)的張量特征表示未知步態(tài)數(shù)據(jù)，將未知步態(tài)數(shù)據(jù)輸入所構(gòu)建的張量分類模型中，通過張量分類模型預(yù)測未知步態(tài)數(shù)據(jù)的標(biāo)簽。本發(fā)明實(shí)施例采取的另一技術(shù)方案為：一種步態(tài)識別系統(tǒng)，包括：數(shù)據(jù)預(yù)處理模塊：用于對步態(tài)圖像序列進(jìn)行預(yù)處理，并將所述預(yù)處理后的步態(tài)圖像序列以三階張量模式進(jìn)行存儲；特征提取模塊：用于提取所述步態(tài)圖像序列中有分類作用的張量特征；模型構(gòu)建模塊：用于根據(jù)所述有分類作用的張量特征構(gòu)建張量分類模型；步態(tài)分類模塊：用于提取所述步態(tài)圖像序列中未知步態(tài)數(shù)據(jù)的張量特征，將所述未知步態(tài)數(shù)據(jù)的張量特征輸入張量分類模型中，通過所述張量分類模型預(yù)測所述未知步態(tài)數(shù)據(jù)的標(biāo)簽。本發(fā)明實(shí)施例采取的技術(shù)方案還包括：還包括數(shù)據(jù)采集模塊，所述數(shù)據(jù)采集模塊用于采集測試者不同視角、不同行走條件下的步態(tài)圖像序列；所述不同行走條件包括普通條件、裹大衣條件及攜帶包裹條件。本發(fā)明實(shí)施例采取的技術(shù)方案還包括：所述數(shù)據(jù)預(yù)處理模塊對步態(tài)圖像序列進(jìn)行預(yù)處理具體包括：對所述步態(tài)圖像序列進(jìn)行降噪處理，通過圖像分割將測試者與背景進(jìn)行分離，并對分離后的步態(tài)圖像序列進(jìn)行二值化處理。本發(fā)明實(shí)施例采取的技術(shù)方案還包括：所述特征提取模塊提取步態(tài)圖像序列中有分類作用的張量特征具體包括：基于遺傳算法提取步態(tài)圖像序列中有分類作用的張量特征，并標(biāo)記有分類作用的張量特征的位置坐標(biāo)；根據(jù)標(biāo)記的有分類作用的張量特征位置坐標(biāo)，以張量特征更緊湊地表示步態(tài)數(shù)據(jù)；所述模型構(gòu)建模塊根據(jù)所述有分類作用的張量特征構(gòu)建張量分類模型具體為：根據(jù)以張量特征表示的步態(tài)數(shù)據(jù)構(gòu)建支持塔克機(jī)的張量分類模型。本發(fā)明實(shí)施例采取的技術(shù)方案還包括：所述步態(tài)分類模塊通過張量分類模型預(yù)測所述未知步態(tài)數(shù)據(jù)的標(biāo)簽具體為：根據(jù)標(biāo)記的有分類作用的張量特征的位置坐標(biāo)提取步態(tài)圖像序列中未知步態(tài)數(shù)據(jù)的張量特征，并以未知步態(tài)數(shù)據(jù)的張量特征表示未知步態(tài)數(shù)據(jù)，將未知步態(tài)數(shù)據(jù)輸入所構(gòu)建的張量分類模型中，通過張量分類模型預(yù)測未知步態(tài)數(shù)據(jù)的標(biāo)簽。相對于現(xiàn)有技術(shù)，本發(fā)明實(shí)施例產(chǎn)生的有益效果在于：本發(fā)明實(shí)施例的步態(tài)識別方法及系統(tǒng)在步態(tài)數(shù)據(jù)采集和預(yù)處理階段，將每條步態(tài)圖像序列以三階張量模式進(jìn)行存儲，保留了步態(tài)數(shù)據(jù)的完成信息；在特征提取階段，基于遺傳算法提取有分類作用的張量特征，去除冗余的信息，精簡數(shù)據(jù)結(jié)構(gòu)，更緊湊地表示步態(tài)數(shù)據(jù)，提高步態(tài)分類準(zhǔn)確率；在步態(tài)識別階段，在支持張量機(jī)的基礎(chǔ)上引入塔克分解，使得求解過程更加符合理論，增加模型的可解釋性，提高模型對數(shù)據(jù)的理解，進(jìn)一步提高分類準(zhǔn)確率。附圖說明圖1是本發(fā)明實(shí)施例的步態(tài)識別方法的流程圖；圖2是本發(fā)明實(shí)施例的張量特征選擇流程圖；圖3是本發(fā)明實(shí)施例構(gòu)建張量分類模型的流程圖；圖4是本發(fā)明實(shí)施例的步態(tài)識別系統(tǒng)的結(jié)構(gòu)示意圖。具體實(shí)施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。本發(fā)明實(shí)施例的步態(tài)識別方法及系統(tǒng)是基于遺傳算法和張量模式算法來實(shí)現(xiàn)的。本發(fā)明在數(shù)據(jù)采集階段，測試者沿著多個(gè)視角在不同行走條件下采集步態(tài)圖像序列；在數(shù)據(jù)預(yù)處理階段，對采集的步態(tài)圖像序列進(jìn)行降噪，將測試者從背景中分離出來，并將步態(tài)圖像序列以3階張量模型進(jìn)行存儲；在特征提取階段，基于遺傳算法提取有標(biāo)簽的張量特征，更緊湊地表示步態(tài)數(shù)據(jù)；在步態(tài)分類階段，基于提取的有分類作用的張量特征和支持塔克機(jī)，構(gòu)建張量分類模型，并將未知步態(tài)數(shù)據(jù)的張量特征輸入張量分類模型，通過張量分類模型預(yù)測未知步態(tài)數(shù)據(jù)的標(biāo)簽。具體地，請參閱圖1，是本發(fā)明實(shí)施例的步態(tài)識別方法的流程圖。本發(fā)明實(shí)施例的步態(tài)識別方法包括以下步驟：步驟100：采集測試者多個(gè)不同視角、不同行走條件下的步態(tài)圖像序列；在步驟100中，多個(gè)視角包括18度、36度...，180度等，不同行走條件包括普通條件、裹大衣條件及攜帶包裹條件等。步驟200：對采集的步態(tài)圖像序列進(jìn)行降噪處理，通過圖像分割將步態(tài)圖像序列中的測試者與背景進(jìn)行分離，并將分離后的步態(tài)圖像序列進(jìn)行二值化處理后，以三階張量模式進(jìn)行存儲；在步驟200中，為了提高圖像的質(zhì)量以及后續(xù)的處理，首先對步態(tài)圖像序列進(jìn)行降噪處理，然后進(jìn)行圖像分割，將測試者從背景中分離出來，接著對分割后的步態(tài)圖像序列進(jìn)行二值化處理，最小化測試者不同行走條件的影響，突出測試者的步態(tài)特征，最后將每個(gè)步態(tài)圖像序列以三階張量(高，寬，幀數(shù))形式進(jìn)行存儲，其中，第一、二階表示圖像，第三階表示序列。所有步態(tài)圖像序列都存儲在一個(gè)四階張量內(nèi)，四個(gè)階分別表示高、寬、幀數(shù)、樣本量。標(biāo)簽為一個(gè)列向量，對應(yīng)每個(gè)步態(tài)圖像序列的測試者所屬的編號。本發(fā)明實(shí)施例在數(shù)據(jù)預(yù)處理階段，將每條步態(tài)圖像序列看作三階張量，從而保留了步態(tài)數(shù)據(jù)的完成信息，張量模式算法的參數(shù)，在數(shù)量方面遠(yuǎn)遠(yuǎn)小于向量模式算法，因此，張量模式算法更加適合小樣本學(xué)習(xí)，同時(shí)避免過學(xué)問題，可以大幅降低計(jì)算復(fù)雜度和存儲成本，具有較強(qiáng)的實(shí)用性和推廣性；本發(fā)明可以適用于體育訓(xùn)練、醫(yī)療保健、罪犯追蹤、游戲設(shè)計(jì)等多種領(lǐng)域的步態(tài)識別。步驟300：基于遺傳算法提取步態(tài)圖像序列中有分類作用的張量特征，并標(biāo)記有分類作用的張量特征的位置坐標(biāo)；在步驟300中，所謂遺傳算法(geneticalgorithm，GA)，是一種模仿達(dá)爾文自然選擇和生物遺傳學(xué)的全局優(yōu)化概率優(yōu)化算法，讓多個(gè)具有不同參數(shù)設(shè)定的種群同時(shí)進(jìn)化，性能越好的種群獲得更多的處理器時(shí)間，具有強(qiáng)烈的并行性、自適應(yīng)性和領(lǐng)域無關(guān)性。具體如表1所示，是遺傳算法內(nèi)的染色體表：表1遺傳算法內(nèi)的染色體表GCGF1......GFi......GFN在表1中，GC表示模型的懲罰系數(shù)C的二進(jìn)制編碼，GF1表示第一階特征F1的二進(jìn)制編碼，GFN表示第N階特征FN的二進(jìn)制編碼。GC的長度取決于懲罰系數(shù)C的范圍，GFi的長度取決于數(shù)據(jù)第i階Ii的長度，值得注意的是，特征編碼部分中，“0”表示特征未被選擇，“1”表示特征已被選擇。在本發(fā)明實(shí)施例中的遺傳算法中，基于算法的泛化準(zhǔn)確率和選擇的特征設(shè)計(jì)適應(yīng)度函數(shù)。理想的情況下，泛化準(zhǔn)確率越高，選擇的特征數(shù)目越小，將產(chǎn)生一個(gè)越高的適應(yīng)度函數(shù)值，而適應(yīng)度函數(shù)值較高的染色體將保留到到下一代。在本發(fā)明實(shí)施例中的遺傳算法中，基于輪盤賭選擇法選擇K對染色體進(jìn)行交叉操作。對于染色體的每一部分，基于相應(yīng)交叉概率進(jìn)行均勻交叉操作，并基于變異概率進(jìn)行均勻變異操作。綜上所述，本發(fā)明實(shí)施例在張量特征提取階段，利用遺傳算法搜索模型的最優(yōu)參數(shù)及最優(yōu)特征子集，最后輸出最優(yōu)泛化準(zhǔn)確率，去除冗余的信息，精簡數(shù)據(jù)結(jié)構(gòu)，提取具有分類價(jià)值的信息，提高分類準(zhǔn)確率。例如，假設(shè)某步態(tài)圖像序列規(guī)模為4×5×3，特征子集選擇結(jié)果為GF1：10110，GF2：0110，GF3：101，則最后用于訓(xùn)練分類器的數(shù)據(jù)規(guī)模為3×2×2，具體如圖2所示，是本發(fā)明實(shí)施例的張量特征選擇流程圖。步驟400：根據(jù)標(biāo)記的有分類作用的張量特征位置坐標(biāo)，以張量特征更緊湊地表示步態(tài)數(shù)據(jù)；步驟500：根據(jù)以張量特征表示的步態(tài)數(shù)據(jù)構(gòu)建支持塔克機(jī)的張量分類模型；在步驟500中，本發(fā)明實(shí)施例在支持張量機(jī)的基礎(chǔ)上引入塔克分解構(gòu)建支持塔克機(jī)的張量分類模型，塔克分解將張量對象分解成一個(gè)核張量和多個(gè)因子矩陣，一個(gè)因子矩陣對應(yīng)一個(gè)階，每個(gè)因子矩陣可解釋為主成分。塔克分解結(jié)果為一個(gè)核張量和一系列因子矩陣，核矩陣反映各階特征之間的內(nèi)在相關(guān)性，因子矩陣代表對應(yīng)階的特征(主成分)。根據(jù)塔克分解，一個(gè)N階張量的可以寫作：在公式(1)中，為核張量，A(1)，A(2)...A(N)是因子矩陣，分別對應(yīng)一個(gè)階。請一并參閱圖3，本發(fā)明實(shí)施例在支持張量機(jī)的基礎(chǔ)上引入塔克分解構(gòu)建支持塔克機(jī)分類模型的流程具體包括以下步驟：步驟501：塔克分解的n－模展開及向量化：定義N個(gè)因子矩陣的Kronecker積(克羅內(nèi)克積)表示為：類似的，定義N－1個(gè)因子矩陣的Kronecker積(跳過第n個(gè)因子矩陣)：因此，公式(1)的n模展開為：W(j)=A(j)G(1)(A(M)⊗...⊗A(j-1)⊗A(j+1)...⊗A(1))T=A(j)G(1)A⊗(j)---(2)]]>公式(1)的向量化為：其中，G(j)是核張量的1－模展開。步驟502：提出支持塔克機(jī)(STuMs)的優(yōu)化框架；支持張量機(jī)的優(yōu)化框架(1)如下：支持張量機(jī)的第j個(gè)子優(yōu)化框架(2)為：minW(j),b,ξ≥012Tr[W(j)W(j)T]+CΣi=1Mξi---(2-1)]]>將塔克分解引入支持張量機(jī)的第j個(gè)子優(yōu)化框架(3)為：minA(j),b,ξ≥012Tr[A(j)G(j)A⊗(j)TA⊗(j)G(j)TA(j)T]+CΣi=1Mξi---(3-1)]]>通過優(yōu)化框架(3)獲得A(1)，A(2)...A(N)后，求解核張量g的優(yōu)化框架(4)為：minG(1),b,ξ≥012(A⊗vec(G(j)))T(A⊗vec(G(j)))+CΣi=1Mξi---(4-1)]]>綜上，優(yōu)化框架(3)和優(yōu)化框架(4)迭代直到收斂輸出最優(yōu)的A(1)，A(2)...A(N)和b。步驟503：將支持塔克機(jī)的優(yōu)化框架轉(zhuǎn)化為支持向量機(jī)的優(yōu)化框架；在步驟503中，令K＝P(j)P(j)，則優(yōu)化框架(3)變?yōu)椋簃inA~(j),b,ξ≥012vec(A~(j))Tvec(A~(j))+CΣi=1Mξi---(5-1)]]>令則優(yōu)化框架(4)變?yōu)椋簃inG(1),b,ξ≥012vec(V~)Tvec(V~)+CΣi=1Mξi---(6-1)]]>步驟504：通過拉格朗日乘子法獲得支持塔克機(jī)優(yōu)化框架的對偶問題；利用序列最小優(yōu)化算法(SequentialMinimalOptimization，SMO)求解最優(yōu)解；步驟505：根據(jù)最優(yōu)解構(gòu)建張量分類模型；在步驟505中，根據(jù)支持塔克機(jī)優(yōu)化框架輸出最優(yōu)的參數(shù)g、A(1)，A(2)...A(N)和b；首先根據(jù)g和A(1)，A(2)...A(N)得到支持張量機(jī)優(yōu)化框架下的張量權(quán)值最終的判別函數(shù)為：本發(fā)明實(shí)施例在數(shù)據(jù)分類階段，在支持張量機(jī)的基礎(chǔ)上引入塔克分解，使得求解過程更加符合理論，增加模型的可解釋性，提高模型對數(shù)據(jù)的理解，進(jìn)一步提高分類準(zhǔn)確率。步驟600：根據(jù)標(biāo)記的有分類作用的張量特征的位置坐標(biāo)提取步態(tài)圖像序列中未知步態(tài)數(shù)據(jù)的張量特征，并以未知步態(tài)數(shù)據(jù)的張量特征表示未知步態(tài)數(shù)據(jù)，將未知步態(tài)數(shù)據(jù)輸入所構(gòu)建的張量分類模型中，通過張量分類模型預(yù)測未知步態(tài)數(shù)據(jù)的標(biāo)簽。請參閱圖4，是本發(fā)明實(shí)施例的步態(tài)識別系統(tǒng)的結(jié)構(gòu)圖。本發(fā)明實(shí)施例的步態(tài)識別系統(tǒng)包括數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、特征提取模塊、模型構(gòu)建模塊和步態(tài)分類模塊。數(shù)據(jù)采集模塊用于采集測試者多個(gè)不同視角、不同行走條件下的步態(tài)圖像序列；其中，多個(gè)視角包括18度、36度...，180度等，不同行走條件包括普通條件、裹大衣條件及攜帶包裹條件等。數(shù)據(jù)預(yù)處理模塊用于對采集的步態(tài)圖像序列進(jìn)行降噪處理，通過圖像分割將步態(tài)圖像序列中的測試者與背景進(jìn)行分離，并將分離后的步態(tài)圖像序列進(jìn)行二值化處理后，以三階張量模式進(jìn)行存儲；其中，為了提高圖像的質(zhì)量以及后續(xù)的處理，首先對步態(tài)圖像序列進(jìn)行降噪處理，然后進(jìn)行圖像分割，將測試者從背景中分離出來，接著對分割后的步態(tài)圖像序列進(jìn)行二值化處理，最小化測試者不同行走條件的影響，突出測試者的步態(tài)特征，最后將每個(gè)步態(tài)圖像序列以三階張量(高，寬，幀數(shù))形式進(jìn)行存儲，其中，第一、二階表示圖像，第三階表示序列。所有步態(tài)圖像序列都存儲在一個(gè)四階張量內(nèi)，四個(gè)階分別表示高、寬、幀數(shù)、樣本量。標(biāo)簽為一個(gè)列向量，對應(yīng)每個(gè)步態(tài)圖像序列的測試者所屬的編號。本發(fā)明實(shí)施例在數(shù)據(jù)預(yù)處理階段，將每條步態(tài)圖像序列看作三階張量，從而保留了步態(tài)數(shù)據(jù)的完成信息，張量模式算法的參數(shù)，在數(shù)量方面遠(yuǎn)遠(yuǎn)小于向量模式算法，因此，張量模式算法更加適合小樣本學(xué)習(xí)，同時(shí)避免過學(xué)問題，可以大幅降低計(jì)算復(fù)雜度和存儲成本，具有較強(qiáng)的實(shí)用性和推廣性；本發(fā)明可以適用于體育訓(xùn)練、醫(yī)療保健、罪犯追蹤、游戲設(shè)計(jì)等多種領(lǐng)域的步態(tài)識別。特征提取模塊用于基于遺傳算法提取步態(tài)圖像序列中有分類作用的張量特征，并標(biāo)記有分類作用的張量特征的位置坐標(biāo)，根據(jù)標(biāo)記的有分類作用的張量特征位置坐標(biāo)，以張量特征更緊湊地表示步態(tài)數(shù)據(jù)；其中，所謂遺傳算法(geneticalgorithm，GA)，是一種模仿達(dá)爾文自然選擇和生物遺傳學(xué)的全局優(yōu)化概率優(yōu)化算法，讓多個(gè)具有不同參數(shù)設(shè)定的種群同時(shí)進(jìn)化，性能越好的種群獲得更多的處理器時(shí)間，具有強(qiáng)烈的并行性、自適應(yīng)性和領(lǐng)域無關(guān)性。具體如表1所示，是遺傳算法內(nèi)的染色體表：表1遺傳算法內(nèi)的染色體表CCGF1......GFi......GFN在表1中，GC表示模型的懲罰系數(shù)C的二進(jìn)制編碼，GF1表示第一階特征F1的二進(jìn)制編碼，GFN表示第N階特征FN的二進(jìn)制編碼。GC的長度取決于懲罰系數(shù)C的范圍，GFi的長度取決于數(shù)據(jù)第i階Ii的長度，值得注意的是，特征編碼部分中，“0”表示特征未被選擇，“1”表示特征已被選擇。在本發(fā)明實(shí)施例中的遺傳算法中，基于算法的泛化準(zhǔn)確率和選擇的特征設(shè)計(jì)適應(yīng)度函數(shù)。理想的情況下，泛化準(zhǔn)確率越高，選擇的特征數(shù)目越小，將產(chǎn)生一個(gè)越高的適應(yīng)度函數(shù)值，而適應(yīng)度函數(shù)值較高的染色體將保留到到下一代。在本發(fā)明實(shí)施例中的遺傳算法中，基于輪盤賭選擇法選擇K對染色體進(jìn)行交叉操作。對于染色體的每一部分，基于相應(yīng)交叉概率進(jìn)行均勻交叉操作，并基于變異概率進(jìn)行均勻變異操作。綜上所述，本發(fā)明實(shí)施例的特征提取模塊在張量特征提取階段，利用遺傳算法搜索模型的最優(yōu)參數(shù)及最優(yōu)特征子集，最后輸出最優(yōu)泛化準(zhǔn)確率，去除冗余的信息，精簡數(shù)據(jù)結(jié)構(gòu)，提取具有分類價(jià)值的信息，提高分類準(zhǔn)確率。例如，假設(shè)某步態(tài)圖像序列規(guī)模為4×5×3，特征子集選擇結(jié)果為GF1：10110，GF2：0110，GF3：101，則最后用于訓(xùn)練分類器的數(shù)據(jù)規(guī)模為3×2×2。模型構(gòu)建模塊用于根據(jù)以張量特征表示的步態(tài)數(shù)據(jù)構(gòu)建支持塔克機(jī)的張量分類模型；其中，本發(fā)明實(shí)施例在支持張量機(jī)的基礎(chǔ)上引入塔克分解構(gòu)建支持塔克機(jī)的張量分類模型，塔克分解將張量對象分解成一個(gè)核張量和多個(gè)因子矩陣，一個(gè)因子矩陣對應(yīng)一個(gè)階，每個(gè)因子矩陣可解釋為主成分。塔克分解結(jié)果為一個(gè)核張量和一系列因子矩陣，核矩陣反映各階特征之間的內(nèi)在相關(guān)性，因子矩陣代表對應(yīng)階的特征(主成分)。根據(jù)塔克分解，一個(gè)N階張量的可以寫作：在公式(1)中，為核張量，A(1)，A(2)...A(N)是因子矩陣，分別對應(yīng)一個(gè)階。上述中，模型構(gòu)建模塊根據(jù)以張量特征表示的步態(tài)數(shù)據(jù)構(gòu)建支持塔克機(jī)的張量分類模型具體包括：一、塔克分解的n－模展開及向量化：定義N個(gè)因子矩陣的Kronecker積(克羅內(nèi)克積)表示為：類似的，定義N－1個(gè)因子矩陣的Kronecker積(跳過第n個(gè)因子矩陣)：因此，公式(1)的n模展開為：W(j)=A(j)G(1)(A(M)⊗...⊗A(j-1)⊗A(j+1)...⊗A(1))T=A(j)G(1)A⊗(j)---(2)]]>公式(1)的向量化為：其中，G(j)是核張量的1－模展開。二、提出支持塔克機(jī)(STuMs)的優(yōu)化框架；支持張量機(jī)的優(yōu)化框架(1)如下：支持張量機(jī)的第j個(gè)子優(yōu)化框架(2)為：minW(j),b,ξ≥012Tr[W(j)W(j)T]+CΣi=1Mξi---(2-1)]]>將塔克分解引入支持張量機(jī)的第j個(gè)子優(yōu)化框架(3)為：minA(j),b,ξ≥012Tr[A(j)G(j)A⊗(j)TA⊗(j)G(j)TA(j)T]+CΣi=1Mξi---(3-1)]]>通過優(yōu)化框架(3)獲得A(1)，A(2)...A(N)后，求解核張量g的優(yōu)化框架(4)為：minG(1),b,ξ≥012(A⊗vec(G(j)))T(A⊗vec(G(j)))+CΣi=1Mξi---(4-1)]]>綜上，優(yōu)化框架(3)和優(yōu)化框架(4)迭代直到收斂輸出最優(yōu)的A(1)，A(2)...A(N)和b。三、將支持塔克機(jī)的優(yōu)化框架轉(zhuǎn)化為支持向量機(jī)的優(yōu)化框架；令K＝P(j)P(j)，則優(yōu)化框架(3)變?yōu)椋簃inA~(j),b,ξ≥012vec(A~(j))Tvec(A~(j))+CΣi=1Mξi---(5-1)]]>令則優(yōu)化框架(4)變?yōu)椋簃inG(1),b,ξ≥012vec(V~)Tvec(V~)+CΣi=1Mξi---(6-1)]]>四、通過拉格朗日乘子法獲得支持塔克機(jī)優(yōu)化框架的對偶問題；利用序列最小優(yōu)化算法求解最優(yōu)解；五、根據(jù)最優(yōu)解構(gòu)建張量分類模型；根據(jù)支持塔克機(jī)優(yōu)化框架輸出最優(yōu)的參數(shù)A(1)，A(2)...A(N)和b；首先根據(jù)和A(1)，A(2)...A(N)得到支持張量機(jī)優(yōu)化框架下的張量權(quán)值最終的判別函數(shù)為：步態(tài)分類模塊用于根據(jù)標(biāo)記的有分類作用的張量特征的位置坐標(biāo)提取步態(tài)圖像序列中未知步態(tài)數(shù)據(jù)的張量特征，并以未知步態(tài)數(shù)據(jù)的張量特征表示未知步態(tài)數(shù)據(jù)，將未知步態(tài)數(shù)據(jù)輸入所構(gòu)建的張量分類模型中，通過張量分類模型預(yù)測未知步態(tài)數(shù)據(jù)的標(biāo)簽。本發(fā)明實(shí)施例的步態(tài)識別方法及系統(tǒng)在步態(tài)數(shù)據(jù)采集和預(yù)處理階段，將每條步態(tài)圖像序列以三階張量模式進(jìn)行存儲，保留了步態(tài)數(shù)據(jù)的完成信息；在特征提取階段，基于遺傳算法提取有分類作用的張量特征，去除冗余的信息，精簡數(shù)據(jù)結(jié)構(gòu)，更緊湊地表示步態(tài)數(shù)據(jù)，提高步態(tài)分類準(zhǔn)確率；在步態(tài)識別階段，在支持張量機(jī)的基礎(chǔ)上引入塔克分解，使得求解過程更加符合理論，增加模型的可解釋性，提高模型對數(shù)據(jù)的理解，進(jìn)一步提高分類準(zhǔn)確率。對所公開的實(shí)施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實(shí)施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開的原理和新穎特點(diǎn)相一致的最寬的范圍。當(dāng)前第1頁1 2 3