欧美在线观看视频网站,亚洲熟妇色自偷自拍另类,啪啪伊人网,中文字幕第13亚洲另类,中文成人久久久久影院免费观看 ,精品人妻人人做人人爽,亚洲a视频

基于完全矯正Boosting和子空間學(xué)習(xí)算法的步態(tài)識別方法與流程

文檔序號:11432689閱讀:362來源:國知局
基于完全矯正Boosting和子空間學(xué)習(xí)算法的步態(tài)識別方法與流程

本發(fā)明屬于計算機視覺領(lǐng)域,尤其涉及一種基于完全矯正boosting和子空間學(xué)習(xí)算法的步態(tài)識別方法。



背景技術(shù):

步態(tài)識別技術(shù)在遠距離身份識別方面具有巨大的應(yīng)用的前景,步態(tài)識別的目的就是通過對人體運動的圖像序列進行分析處理,從而實現(xiàn)對個體的身份識別。一個完整的步態(tài)識別技術(shù)包括運動檢測、周期檢測、特征提取、算法識別這四個過程。

特征提取與分類是步態(tài)識別技術(shù)中的關(guān)鍵步驟,直接影響到步態(tài)識別的最終識別性能。實際中獲得的原始數(shù)據(jù)分布在高維空間中,難以進行相關(guān)的計算與分析,因此需要進行數(shù)據(jù)降維。

在常用降維算法中,主成分分析方法及線性判別分析易受到視野遮擋,角度,服飾,路面情況等因素的限制和影響。例如在測試對象服飾情況變動較大的情況下,這類算法就無法有效地進行特征提取以供進行步態(tài)識別。局部線性嵌入方法和局部保持投影方法可以較好地處理訓(xùn)練樣本,但這兩種算法容易導(dǎo)致過擬合,以致識別率急劇下降。為了解決這一問題,研究學(xué)者提出了利用boosting算法,隨機抽取多個局部線性子空間的子空間集成學(xué)習(xí)方法,這種方法的原理是訓(xùn)練多個弱分類器,同時通過隨機抽取增強分類器間的獨立性來提高分類器的分類準(zhǔn)確率,再采用boosting算法來提高分類算法的準(zhǔn)確度。但是,采用該種方法需要生成大量的局部線性子空間,因此效率較低。同時boosting算法要求事先必須知道弱分類算法的正確率下限,因此難以應(yīng)用于實際問題中。

此外,現(xiàn)行的多數(shù)子空間學(xué)習(xí)方法的識別性能對所選訓(xùn)練樣本集依賴性強,在針對高維圖像空間有限訓(xùn)練樣本集的情況下難以獲得最優(yōu)子空間,影響了特征提取的準(zhǔn)確率以及步態(tài)識別的識別性能。



技術(shù)實現(xiàn)要素:

針對現(xiàn)有主流子空間學(xué)習(xí)方法在進行特征提取過程中存在的不足,本發(fā)明結(jié)合圖嵌入框架,提出了一種基于完全矯正boosting和子空間學(xué)習(xí)算法的步態(tài)識別方法,其包括以下步驟:

步驟1:將二維圖像數(shù)據(jù)轉(zhuǎn)換為一維向量數(shù)據(jù);

步驟2:利用獲得的一維向量建立包含n個樣本的d維訓(xùn)練樣本集x;

步驟3:根據(jù)邊際fisher分析的原理構(gòu)造特征索引集t,令m=|t|表示集合t的基數(shù),初始權(quán)重值um=1/m;

步驟4:引入軟間隔線性規(guī)劃表達式將求解目的權(quán)重向量a的問題轉(zhuǎn)換為形如lpboost算法的線性規(guī)劃表達式及其拉格朗日對偶的求解問題;

步驟5:利用列生成算法的方式生成一個d維矩陣φt,將求解目的d×qt大小的投影矩陣vt的問題轉(zhuǎn)換為求解該d維矩陣φt的前qt個最大特征值對應(yīng)的特征向量的問題;

步驟6:基于集合t以及對應(yīng)的權(quán)重值[um]構(gòu)造固有圖g={x,s}及懲罰圖gp={x,sp},其中x是頂點集,s及sp是對應(yīng)圖的相似矩陣;構(gòu)造對應(yīng)圖的相似矩陣s及sp;構(gòu)造對應(yīng)圖的對角矩陣d,dp,及拉普拉斯矩陣l,lp;

步驟7:利用步驟6獲得的矩陣化簡矩陣φt的表達式,通過矩陣的左乘右乘運算,將φt表示為一個n維矩陣ψt的運算表達式,矩陣ψt的維度遠小于矩陣φt的維度;

步驟8:通過求解n維矩陣ψt的前qt個最大特征值對應(yīng)的特征向量得到d維矩陣φt的前qt個最大特征值對應(yīng)的特征向量,即可求解ψl條件下對應(yīng)的最佳投影矩陣vl;

步驟9:根據(jù)拉格朗日對偶問題的求解更新權(quán)重值um的值;

步驟10:重復(fù)執(zhí)行步驟6、7、8、9進行l(wèi)輪訓(xùn)練;

步驟11:根據(jù)步驟4中的線性規(guī)劃表達式,利用l輪訓(xùn)練后的結(jié)果計算得到目的權(quán)重向量a=[a1,...,al]t;利用步驟8中得到的最佳投影矩陣經(jīng)過l輪訓(xùn)練獲得投影矩陣集

前述方案針對的是原始數(shù)據(jù)可分的情況,針對原始數(shù)據(jù)非線性可分的情況,本發(fā)明進一步提出了利用核方法的子空間集成學(xué)習(xí)算法,其原理是將原始空間中的數(shù)據(jù)變換到高維甚至是無窮維hilbert空間以使數(shù)據(jù)線性可分。該方法包括以下步驟:

步驟1:將二維圖像數(shù)據(jù)轉(zhuǎn)換為一維向量數(shù)據(jù);

步驟2:利用獲得的一維向量建立包含n個樣本的d維訓(xùn)練樣本集x;

步驟3:根據(jù)邊際fisher分析的原理構(gòu)造特征索引集t,令m=|t|表示集合t的基數(shù),初始權(quán)重值um=1/m;

步驟4:引入軟間隔線性規(guī)劃表達式將求解目的權(quán)重向量a的問題轉(zhuǎn)換為形如lpboost算法的線性規(guī)劃表達式及其拉格朗日對偶的求解問題;

步驟5:根據(jù)核方法的原理得到核gram矩陣k的表達式:kij=k(xi,xj)=φ(xi)·φ(xj),計算矩陣k的具體值;

步驟6:根據(jù)核方法的原理令投影矩陣vt=φat,其中φ=[φ(x1),φ(x2),...,φ(xn)],at是系數(shù)矩陣,從而將求解投影矩陣的問題轉(zhuǎn)換為求解最優(yōu)系數(shù)矩陣的問題;

步驟7:基于集合t以及對應(yīng)的權(quán)重值[um]構(gòu)造固有圖g={x,s}及懲罰圖gp={x,sp},其中x是頂點集,s及sp是對應(yīng)圖的相似矩陣;構(gòu)造對應(yīng)圖的相似矩陣s及sp;構(gòu)造對應(yīng)圖的對角矩陣d,dp,及拉普拉斯矩陣l,lp

步驟8:利用步驟5中的表達式重寫矩陣φt的表達式,將求解最優(yōu)系數(shù)矩陣at列向量的問題轉(zhuǎn)換為求解n維矩陣φt的前qt個最大特征值對應(yīng)的特征向量的問題;

步驟9:利用新的表達式通過拉格朗日對偶問題更新權(quán)重值um的值;

步驟10:重復(fù)執(zhí)行步驟7,8,9進行l(wèi)輪訓(xùn)練;

步驟11:利用l輪訓(xùn)練根據(jù)步驟4中的線性規(guī)劃表達式計算得到目的權(quán)重向量a=[a1,...,al]t;利用步驟7得到系數(shù)矩陣集

本發(fā)明具有以下有益效果:

本發(fā)明利用完全矯正boosting算法與集成學(xué)習(xí)的原理通過多次迭代得到多個不同權(quán)重分布的子空間,解決了現(xiàn)有技術(shù)在進行數(shù)據(jù)降維與分類時在有限訓(xùn)練集情況下難以得到最優(yōu)子空間的問題,提升了特征提取的準(zhǔn)確率,從而提高了步態(tài)識別的識別性能。用usfhumanid數(shù)據(jù)庫中的數(shù)據(jù)進行實驗,利用完全矯正boosting算法的子空間集成學(xué)習(xí)比單一的子空間學(xué)習(xí)算法識別率更高。

附圖說明

圖1是本發(fā)明的基本算法流程圖;

圖2是對本發(fā)明基本算法進行核方法拓展的算法流程圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明進行詳細說明。

如圖1所示為本發(fā)明的基本算法流程圖。本發(fā)明的完全矯正boosting和子空間集成學(xué)習(xí)算法的步態(tài)識別方法包括以下步驟:

步驟1:將二維圖像數(shù)據(jù)轉(zhuǎn)換為一維向量數(shù)據(jù)。

步驟2:利用獲得的一維向量建立包含n個樣本的d維訓(xùn)練樣本集x。

步驟3:根據(jù)marginfisheranalysis的原理構(gòu)造特征索引集t,令m=|t|表示集合t的基數(shù),初始權(quán)重值um=1/m。

步驟4:引入軟間隔線性規(guī)劃表達式將求解目的權(quán)重向量a的問題轉(zhuǎn)換為形如lpboost算法的線性規(guī)劃表達式及其拉格朗日對偶的求解問題。

步驟5:利用列生成算法的方式生成一個d維矩陣φt,將求解目的d×qt大小的投影矩陣vt的問題轉(zhuǎn)換為求解該d維矩陣φt的前qt個最大特征值對應(yīng)的特征向量的問題。

步驟6:基于集合t以及對應(yīng)的權(quán)重值[um]構(gòu)造固有圖g={x,s}及懲罰圖gp={x,sp},其中x是頂點集,s及sp是對應(yīng)圖的相似矩陣,其包括:

(1):構(gòu)造對應(yīng)圖的相似矩陣s及sp

(2):構(gòu)造對應(yīng)圖的對角矩陣d,dp,及拉普拉斯矩陣l,lp

步驟7:利用上步獲得的矩陣化簡矩陣φt的表達式,通過矩陣的左乘右乘運算,將φt表示為一個n維矩陣ψt的運算表達式,矩陣ψt的維度遠小于矩陣φt的維度。

步驟8:通過求解n維矩陣ψt的前qt個最大特征值對應(yīng)的特征向量得到d維矩陣φt的前qt個最大特征值對應(yīng)的特征向量,即可求解ψl條件下對應(yīng)的最佳投影矩陣vl。

步驟9:根據(jù)拉格朗日對偶問題的求解更新權(quán)重值um的值。

步驟10:重復(fù)執(zhí)行步驟6,7,8,9進行l(wèi)輪訓(xùn)練。

步驟11:根據(jù)步驟4中的線性規(guī)劃表達式,利用l輪訓(xùn)練后的結(jié)果計算得到目的權(quán)重向量a=[a1,...,al]t;利用步驟8中得到的最佳投影矩陣經(jīng)過l輪訓(xùn)練獲得投影矩陣集

本發(fā)明結(jié)合圖嵌入框架,提出的用于步態(tài)識別當(dāng)中的全新的利用完全矯正boosting算法技術(shù)的子空間集成學(xué)習(xí)方法,實現(xiàn)了高分類識別率的子空間集成學(xué)習(xí),以提高特征提取的準(zhǔn)確率,從而提高步態(tài)識別系統(tǒng)的整體性能。

上述方案針對的是原始數(shù)據(jù)可分的情況。對于原始數(shù)據(jù)非線性可分的情況,本發(fā)明進一步提出了利用核方法的子空間集成學(xué)習(xí)算法,其流程圖如圖2所示,其原理是將原始空間中的數(shù)據(jù)變換到高維甚至是無窮維hilbert空間以使數(shù)據(jù)線性可分。以下詳細介紹該方法的具體實現(xiàn)步驟:

步驟1:將二維圖像數(shù)據(jù)轉(zhuǎn)換為一維向量數(shù)據(jù)。

步驟2:利用獲得的一維向量建立包含n個樣本的d維訓(xùn)練樣本集x。

步驟3:根據(jù)marginfisheranalysis的原理構(gòu)造特征索引集t,令m=|t|表示集合t的基數(shù),初始權(quán)重值um=1/m。

步驟4:引入軟間隔線性規(guī)劃表達式將求解目的權(quán)重向量a的問題轉(zhuǎn)換為形如lpboost算法的線性規(guī)劃表達式及其拉格朗日對偶的求解問題。

步驟5:根據(jù)核方法的原理得到核gram矩陣k的表達式:kij=k(xi,xj)=φ(xi)·φ(xj),計算矩陣k的具體值。

步驟6:根據(jù)核方法的原理令投影矩陣vt=φat,其中φ=[φ(x1),φ(x2),...,φ(xn)],at是系數(shù)矩陣,從而將求解投影矩陣的問題轉(zhuǎn)換為求解最優(yōu)系數(shù)矩陣的問題。

步驟7:基于集合t以及對應(yīng)的權(quán)重值[um]構(gòu)造固有圖g={x,s}及懲罰圖gp={x,sp},其中x是頂點集,s及sp是對應(yīng)圖的相似矩陣,其中包括:

(1):構(gòu)造對應(yīng)圖的相似矩陣s及sp。

(2):構(gòu)造對應(yīng)圖的對角矩陣d,dp,及拉普拉斯矩陣l,lp。

步驟8:利用步驟5中的表達式重寫矩陣φt的表達式,將求解最優(yōu)系數(shù)矩陣at列向量的問題轉(zhuǎn)換為求解n維矩陣φt的前qt個最大特征值對應(yīng)的特征向量的問題。

步驟9:利用新的表達式通過拉格朗日對偶問題更新權(quán)重值um的值。

步驟10:重復(fù)執(zhí)行步驟7,8,9進行l(wèi)輪訓(xùn)練。

步驟11:利用l輪訓(xùn)練根據(jù)步驟4中的線性規(guī)劃表達式計算得到目的權(quán)重向量a=[a1,...,al]t;利用步驟7得到系數(shù)矩陣集

本發(fā)明的算法框架旨在求解權(quán)重向量a=[a1,...,al]t,及投影矩陣集

下面對本發(fā)明的具體實施進行詳細說明。

(一)將二維的圖像數(shù)據(jù)i進行轉(zhuǎn)換,將其轉(zhuǎn)換為一維向量數(shù)據(jù)。利用這些數(shù)據(jù)構(gòu)造一個包含n個樣本的d維訓(xùn)練樣本集假設(shè)xi的類別標(biāo)簽c是總的類別數(shù)。定義πc表示第c類樣本的索引,nc表示第c類樣本的數(shù)目。

(二)利用marginfisheranalysis篩選特征索引集t的元素,構(gòu)造特征索引集

其含義表示相對于更相似,其中m=|t|是集合t的

基數(shù),定義權(quán)重值um=1/m。根據(jù)特征索引集t,權(quán)重向量及投影矩陣必須對t中任

意數(shù)據(jù)集滿足如下公式(1):

其中vttvt=i,||·||為2-范數(shù)運算.

(三)定義一個向量hm=[hmt],hmt對應(yīng)投影矩陣vt以及集合t中的第m個集(im,jm,km),表達式見公式(2):

(四)為了最終得到權(quán)重向量,采用如下的軟間隔線性規(guī)劃表達式:

其中ζm為引入的松弛變量,d為懲罰因子且來確保對于該線性規(guī)劃可推導(dǎo)其對偶問題。引入拉格朗日算子u,β,g,q構(gòu)造拉格朗日函數(shù)同時將其轉(zhuǎn)化為對偶問題,得到如下表達式:

利用kkt條件進行簡化得到如下表達式:

(五)利用列生成算法將投影矩陣vt的計算問題轉(zhuǎn)化為如下形式的子問題求解:

通過簡單的矩陣運算,得到表達式(6)的目標(biāo)函數(shù):

tr()表示矩陣的求跡運算。定義一個d×d大小的矩陣φt:

根據(jù)表達式(8),求解最優(yōu)投影矩陣vt的問題轉(zhuǎn)化為求解矩陣d維矩陣φt的前qt個最大特征值對應(yīng)的特征向量的問題,矩陣vt的列向量即為矩陣φt的前qt個最大特征值對應(yīng)的特征向量。

(六)基于集合t和對應(yīng)的權(quán)重值u構(gòu)造兩個有向加權(quán)圖:固有圖g={x,s},懲罰圖g={x,sp},其中x是頂點集,s是固有圖的d×d維的相似矩陣,sp是懲罰圖的n×n維的相似矩陣,分別定義兩個相似矩陣中的元素如下:

分別定義固有圖及懲罰圖的對角矩陣和拉普拉斯矩陣d,dp,l,lp如下:

其中

(七)根據(jù)(六)中的表達式,可將矩陣φt重新寫為如下表達式:

當(dāng)矩陣φt的維度d較大時,無法直接求解其特征值,因此定義一個n維的矩陣ψt,n遠小于d,ψt=(lp-fl)xtx,同時令矩陣ψt滿足如下表達式:

ψtv=(lp-fl)xtxv=λv(13)

在該表達式的兩端同時左乘矩陣x,得到如下表達式:

因此通過求解n維矩陣ψt的前qt個最大特征值對應(yīng)的特征向量即可得到d維矩陣φt的前qt個最大特征值對應(yīng)的特征向量,從而計算出投影矩陣。

(八)利用計算出的投影矩陣通過表達式(2)計算對應(yīng)的hmt,將hmt代入表達式(5)的對偶問題中,利用原對偶內(nèi)點算法更新權(quán)重值um。

(九)重復(fù)執(zhí)行步驟(六)(七)(八)進行l(wèi)輪訓(xùn)練。

(十)經(jīng)l輪訓(xùn)練后利用表達式(3)計算目的權(quán)重向量a=[a1,...,al]t,利用表達式(14)得到投影矩陣

對于原始數(shù)據(jù)線性可分的情況利用上述步驟即可實現(xiàn)對權(quán)重向量a及投影矩陣vt的求解,對于原始數(shù)據(jù)非線性可分的情況本發(fā)明引入核方法拓展的算法,核方法的具體執(zhí)行步驟如下:

(十一)對于利用核方法的子空間集成學(xué)習(xí)框架,引入n維核gram矩陣k,kij=k(xi,xj)=φ(xi)·φ(xj)。引入d×n矩陣φ,φ=[φ(x1),φ(x2),...,φ(xn)]。則投影矩陣vt可表示為φ中元素的線性組合:vt=φat(15)。是n×qt大小的系數(shù)矩陣。

(十二)執(zhí)行上述步驟(一)(二),同時計算核gram矩陣k。

(十三)執(zhí)行上述步驟(六),生成固有圖和懲罰圖及相關(guān)矩陣。

(十四)將表達式(15)代入表達式(2)中,可得到新的hmt的表達式:

其中k.i表示矩陣k的第i列列向量。根據(jù)表達式(15)目標(biāo)函數(shù)表達式(7)可以重新寫成包含矩陣at與矩陣k的形式:

因此表達式(12)中的矩陣φt可以重新寫為如下形式:

φt=(lp-fl)k(18)

則可通過求解n維矩陣φt的特征向量來求解系數(shù)矩陣at,矩陣φt的前qt個最大特征值對應(yīng)的特征向量即為最優(yōu)系數(shù)矩陣at的列向量。

(十五)根據(jù)表達式(16)計算hmt的值,然后將其代入表達式(5)的對偶問題中,利用原對偶內(nèi)點算法更新權(quán)重值um。

(十六)重復(fù)執(zhí)行步驟(十三)(十四)(十五)進行l(wèi)輪訓(xùn)練。

(十七)經(jīng)l輪訓(xùn)練后利用表達式(3)計算目的權(quán)重向量a=[a1,...,al]t,利用表達式(18)得到系數(shù)矩陣集至此即可實現(xiàn)對核方法下的權(quán)重向量及投影矩陣集的求解。

本發(fā)明利用完全矯正boosting算法與集成學(xué)習(xí)的原理通過多次迭代得到多個不同權(quán)重分布的子空間,解決了現(xiàn)有技術(shù)在進行數(shù)據(jù)降維與分類時在有限訓(xùn)練集情況下難以得到最優(yōu)子空間的問題,提升了特征提取的準(zhǔn)確率,從而提高了步態(tài)識別的識別性能。用usfhumanid數(shù)據(jù)庫中的數(shù)據(jù)進行實驗,利用完全矯正boosting算法的子空間集成學(xué)習(xí)比單一的子空間學(xué)習(xí)算法識別率更高,同時該子空間集成學(xué)習(xí)的核化版本比原始版本的識別率更高。

需要注意的是,上述具體實施例是示例性的,本領(lǐng)域技術(shù)人員可以在本發(fā)明公開內(nèi)容的啟發(fā)下想出各種解決方案,而這些解決方案也都屬于本發(fā)明的公開范圍并落入本發(fā)明的保護范圍之內(nèi)。本領(lǐng)域技術(shù)人員應(yīng)該明白,本發(fā)明說明書及其附圖均為說明性而并非構(gòu)成對權(quán)利要求的限制。本發(fā)明的保護范圍由權(quán)利要求及其等同物限定。

當(dāng)前第1頁1 2 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1
蓬莱市| 延长县| 大关县| 扬州市| 卓资县| 基隆市| 合肥市| 从江县| 剑川县| 吉木乃县| 临沭县| 天等县| 东兴市| 苍梧县| 嘉荫县| 桂东县| 恭城| 佛冈县| 七台河市| 铁岭县| 连江县| 格尔木市| 昌邑市| 莱西市| 通许县| 新干县| 新巴尔虎左旗| 什邡市| 凯里市| 洪泽县| 永川市| 新野县| 天祝| 无锡市| 江孜县| 塘沽区| 三都| 资溪县| 卢龙县| 屏边| 如皋市|