本發(fā)明屬于計(jì)算機(jī)視覺(jué)領(lǐng)域，尤其涉及一種基于子空間集成學(xué)習(xí)的步態(tài)識(shí)別算法。

背景技術(shù)：

步態(tài)識(shí)別技術(shù)在遠(yuǎn)距離身份識(shí)別方面具有巨大的應(yīng)用的前景，步態(tài)識(shí)別的目的就是通過(guò)對(duì)人體運(yùn)動(dòng)的圖像序列進(jìn)行分析處理，從而實(shí)現(xiàn)對(duì)個(gè)體的身份識(shí)別。一個(gè)完整的步態(tài)識(shí)別技術(shù)包括運(yùn)動(dòng)檢測(cè)、周期檢測(cè)、特征提取、算法識(shí)別這四個(gè)過(guò)程。其中特征提取是影響步態(tài)識(shí)別精度的關(guān)鍵因素，特征提取的好壞直接決定了最終的識(shí)別性能。現(xiàn)有的步態(tài)識(shí)別算法受著裝、視角、負(fù)載、路況的影響較大，識(shí)別的效率不高。此外，現(xiàn)有的步態(tài)識(shí)別技術(shù)往往只專注于一個(gè)子空間，當(dāng)外部環(huán)境變化時(shí)，學(xué)習(xí)一個(gè)子空間往往得到的是一個(gè)局部最優(yōu)的判別，從而影響了識(shí)別的精度。

例如，在步態(tài)識(shí)別中，我們得到的數(shù)據(jù)往往都是高維數(shù)據(jù)。主成分分析算法其核心思想是在最小均方意義下對(duì)獲取的數(shù)據(jù)去線性相關(guān)，通過(guò)較少數(shù)量的特征對(duì)原數(shù)據(jù)進(jìn)行表示，從而達(dá)到降低特征維數(shù)的目的。然而，該方法選出的特征子集并不具有判別信息。線性判別分析法其主要作用是通過(guò)學(xué)習(xí)一個(gè)線性投影矩陣，使得訓(xùn)練數(shù)據(jù)在經(jīng)過(guò)該投影矩陣投影后的類間離散度盡量大，同時(shí)類內(nèi)離散度盡量小。二維線性判別分析法能夠有效的保留數(shù)據(jù)的矩陣結(jié)構(gòu)。然而，當(dāng)訓(xùn)練樣本由于著裝、視角、負(fù)載、路況而產(chǎn)生差異時(shí)，這些方法通常獲取的是局部最優(yōu)子空間而不是全局最優(yōu)子空間。為了解決這個(gè)問(wèn)題，出現(xiàn)了一些子空間集成方法，這些方法通過(guò)使用隨機(jī)采樣、boosting算法、聚類技術(shù)來(lái)聯(lián)合多個(gè)局部線性子空間以達(dá)到學(xué)習(xí)復(fù)流形的目的。然而，這些方法通常會(huì)產(chǎn)生大量的局部子空間并直接將它們合成，這樣做將極大地降低效率。因此，如何提高步態(tài)識(shí)別的識(shí)別精度和識(shí)別效率成為了亟待解決的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)之不足，本發(fā)明提出了一種基于子空間集成學(xué)習(xí)的步態(tài)識(shí)別算法，其包括以下步驟：

s1)設(shè)計(jì)子空間集成學(xué)習(xí)框架，其包括：s1.1)輸入訓(xùn)練樣本x＝[x1,x2,...,xn]和三元組索引集

s1.2)初始化：在第一次迭代中，給每個(gè)訓(xùn)練樣本的權(quán)重um都為1/m；

s1.3)對(duì)于每次迭代，首先基于三元組索引集τ和權(quán)重um，根據(jù)圖嵌入理論構(gòu)建本征圖g和懲罰圖g^p的相似矩陣，然后求出ψl的特征值并且計(jì)算出最優(yōu)投影矩陣vl，接著計(jì)算出hml并將hml帶入到約束條件當(dāng)中，若hml的訓(xùn)練偏差滿足約束條件，則循環(huán)繼續(xù)，否則跳出循環(huán)，最后根據(jù)hml的訓(xùn)練偏差更新權(quán)重um；

s1.4)計(jì)算出權(quán)重矢量a，輸出權(quán)重矢量a和投影矩陣{vt|t＝1,...,l}；

s2)構(gòu)建基于線性判別分析法(lda)、邊際fisher分析(mfa)的三元組集；

s3)將子空間集成學(xué)習(xí)框架擴(kuò)展到張量子空間集成學(xué)習(xí)算法；

s4)將子空間集成學(xué)習(xí)框架擴(kuò)展到基于圖像塊的局部子空間集成學(xué)習(xí)算法。

根據(jù)一個(gè)優(yōu)選實(shí)施方式，步驟s2中構(gòu)建基于線性判別分析法的三元組集包括：通過(guò)類內(nèi)散度矩陣sb和類間散度矩陣sw的比值最大化來(lái)找出最大判別子空間b：

其中是第c類樣本的中心，是所有樣本的中心；將類中心m＝[m1,m2,...,mc]帶入訓(xùn)練器w以獲得擴(kuò)展的訓(xùn)練樣本w'＝[m，w]，基于w'得出基于線性判別分析法的三元組集：

根據(jù)一個(gè)優(yōu)選實(shí)施方式，步驟s3包括：s3.1)輸入訓(xùn)練樣本和三元組索引集

s3.2)初始化：在第一次迭代中，給每個(gè)訓(xùn)練樣本的權(quán)重um都為1/m；

s3.3)對(duì)于每次迭代，首先基于三元組索引集τ和權(quán)重um，根據(jù)圖嵌入理論構(gòu)建本征圖g和懲罰圖g^p的相似矩陣；通過(guò)迭代的算出φl(shuí)^k,k＝1,...,n的本征值來(lái)求得投影矩陣集接著計(jì)算出hml并將hml帶入到約束條件當(dāng)中，若hml的訓(xùn)練偏差滿足約束條件，則循環(huán)繼續(xù)，否則跳出循環(huán)；最后根據(jù)hml的訓(xùn)練偏差更新權(quán)重um；

s3.4)計(jì)算并輸出權(quán)重矢量a。輸出投影矩陣集{vt^k|k＝1,...,n；t＝1,...,l}。

根據(jù)一個(gè)優(yōu)選實(shí)施方式，步驟s4包括：s4.1)輸入訓(xùn)練樣本x＝[x1,x2,...,xn]和三元組索引集

τ＝{(i,j,k)|xj比xk更加相似于xi}；

s4.2)初始化：初始化um為1/m(m＝|τ|是τ的基數(shù)集)；提取基于圖像塊的局部特征表達(dá)式然后歸一化特征表達(dá)式

s4.3)對(duì)于每次迭代，首先基于三元組索引集τ和權(quán)重[um]，根據(jù)圖嵌入理論構(gòu)建本征圖g^j和懲罰圖的相似矩陣，接著對(duì)每個(gè)x^j,j＝1,...,n'，計(jì)算出投影矩陣v^j，然后選出最優(yōu)塊kl，保留第l個(gè)投影矩陣vl對(duì)應(yīng)于局部塊kl的投影矩陣接著計(jì)算出hml并將hml帶入到約束條件當(dāng)中，若hml的訓(xùn)練偏差滿足約束條件，則循環(huán)繼續(xù)，否則跳出循環(huán)，最后根據(jù)hml的訓(xùn)練偏差更新權(quán)重um；

s4.4)計(jì)算并輸出權(quán)重矢量a，輸出局部塊以及對(duì)應(yīng)的投影矩陣

本發(fā)明具有以下有益技術(shù)效果：

本發(fā)明基于子空間學(xué)習(xí)的步態(tài)識(shí)別算法，有效地提高了識(shí)別的精度。此外，本發(fā)明利用完全矯正技術(shù)來(lái)漸進(jìn)地學(xué)習(xí)多個(gè)判決子空間以保留對(duì)象三元組中分類情況，從而在外部環(huán)境變化時(shí)也能夠保證識(shí)別精度。此外，將子空間集成學(xué)習(xí)框架擴(kuò)展到基于張量的子空間集成學(xué)習(xí)框架，從而很好的保留了步態(tài)模板的空間信息和頻率信息。將子空間集成學(xué)習(xí)框架擴(kuò)展到基于塊的局部子空間集成學(xué)習(xí)框架，可以通過(guò)迭代選出對(duì)識(shí)別最有效的局部塊，從而獲得更加準(zhǔn)確的識(shí)別效果。

附圖說(shuō)明

圖1是基于子空間集成學(xué)習(xí)算法流程圖；

圖2是張量子空間集成學(xué)習(xí)算法流程圖。

具體實(shí)施方式

下面結(jié)合附圖及公式對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。

如圖1所示，為基于子空間集成學(xué)習(xí)算法流程圖，具體步驟如下：

(1)輸入一個(gè)二維步態(tài)模板i，將其按列重新排序成為一個(gè)向量其中d是模板i中的像素?cái)?shù)。

(2)給出一個(gè)訓(xùn)練模板集及其對(duì)應(yīng)的類標(biāo)簽集{ci|ci∈[1,2,...,c],i＝1,...,n}，其中n是樣本的數(shù)量、c表示樣本有多少類。

(3)構(gòu)建樣本的三元組索引集其中m是τ的基數(shù)。

(4)子空間集成學(xué)習(xí)框架的目的就是通過(guò)學(xué)習(xí)多個(gè)子空間，使得對(duì)于任何三元組(im,jm,km)，和相比，更加接近于可以在數(shù)學(xué)上將它看做一個(gè)如下所示的線性規(guī)劃問(wèn)題：

at≥0,t＝1,...,l

并且：

其中是一個(gè)松弛變量，d＞0是一個(gè)用來(lái)懲罰松弛變量的正則參數(shù)，.是,一}組子空間投影矩陣，a＝[a1,...,al]^t是其對(duì)應(yīng)的權(quán)重向量，||·||是范數(shù)運(yùn)算符，f＞0是一個(gè)調(diào)諧參數(shù)，

(5)為了求解方程組(1)，給出方程組(1)的拉格朗日對(duì)偶問(wèn)題：

其中u＝[um]≥0,g≥0,q≥0。拉格朗日對(duì)偶(3)在一階導(dǎo)后原始變量a,ρ等于0，(1)的拉格朗日對(duì)偶問(wèn)題可以寫(xiě)成如下形式：

(6)利用列生成算法，學(xué)習(xí)投影矩陣vt的問(wèn)題可以用以下方程來(lái)描述：

方程(5)的目標(biāo)函數(shù)為：

其中tr(·)是一個(gè)蹤跡運(yùn)算符。

令矩陣：

其中

(7)為了減少計(jì)算成本，利用圖嵌入理論構(gòu)建了兩個(gè)有向加權(quán)圖：本征圖g＝{w,s}，懲罰圖g^p＝{w,s^p}。和分別表示圖g,g^p的相似矩陣。sij,分別是s,s^p中的元素，其定義如下所示：

因?yàn)間,g^p是有向的，s,s^p可以是不對(duì)稱矩陣。我們定義g的一個(gè)對(duì)角矩陣d、拉普拉斯矩陣l，g^p的一個(gè)對(duì)角矩陣d^p、拉普拉斯矩陣l^p：

其中所以，方程組(7)中的φt可以寫(xiě)成以下矩陣形式：

(8)當(dāng)維數(shù)d很高時(shí)，直接求解d×d矩陣φt的特征值是很困難的。因此，通過(guò)求解一個(gè)較小的n×n矩陣的特征值來(lái)解得第一個(gè)qt特征向量。令其中n＜＜d，則ψt的特征向量為：

ψtv＝(l^p-fl)w^twv＝λv(12)

其中v是ψt的特征向量，λ是其相應(yīng)的特征值。在(12)公式兩邊左乘w，有：

wψtv＝w(l^p-fl)w^twv

φtwv＝λwv(13)

因此，φt的特征向量v'和對(duì)應(yīng)的特征值λ'為：

v'＝wv,λ'＝λ(14)

子空間學(xué)習(xí)技術(shù)在處理高維數(shù)據(jù)方面具有十分重要的地位?，F(xiàn)有的步態(tài)識(shí)別算法受著裝、視角、負(fù)載、路況的影響較大，識(shí)別的效率不高。此外，現(xiàn)有的步態(tài)識(shí)別技術(shù)往往只專注于一個(gè)子空間，當(dāng)外部環(huán)境變化時(shí)，學(xué)習(xí)一個(gè)子空間往往得到的是一個(gè)局部最優(yōu)的判別，從而影響識(shí)別的精度。本發(fā)明利用利用完全矯正技術(shù)來(lái)漸進(jìn)地學(xué)習(xí)多個(gè)判決子空間，不僅提高了識(shí)別精度，在外部環(huán)境變化時(shí)也能夠保證識(shí)別精度。

為了解決由于訓(xùn)練樣本過(guò)多致使三元組數(shù)量過(guò)大的問(wèn)題，可以采用以下三元組構(gòu)建策略。

1、構(gòu)建基于線性判別分析法的三元組集：

線性判別分析法通過(guò)類內(nèi)散度矩陣sb和類間散度矩陣sw的比值最大化來(lái)找出最大判別子空間b：

其中是第c類樣本的中心，是所有樣本的中心。線性判別分析法使得不同類的中心距離最大，使相同類的每個(gè)樣本和其類中心距離最小。我們將類中心m＝[m1,m2,...,mc]帶入訓(xùn)練器w以獲得擴(kuò)展的訓(xùn)練樣本w'＝[m，w]，基于w'，得出基于線性判別分析法的三元組集：

2、構(gòu)建基于邊際fisher分析的三元組集：

基于圖嵌入理論，邊際fisher分析用g,g^p的相似矩陣s,s^p來(lái)表示類內(nèi)緊湊性和類間分離性，其邊界準(zhǔn)則如下：

其中表示在同一類中wi的k1個(gè)最近鄰的集合，是一組數(shù)據(jù)對(duì)，它表示在中的k2個(gè)最近的一對(duì)。我們重新定義s,s^p用來(lái)保留邊際fisher分析的相似分布：

根據(jù)(20)中的s,s^p，對(duì)任意的(i,j,k)，i,j,k∈[1,2,...n]。若sij＝1,sij^p＝1，則選(i,j,k)作為基于邊際fisher分析的三元組集的一個(gè)元素。

如圖2所示為張量子空間集成學(xué)習(xí)算法。用張量表示時(shí)訓(xùn)練集由訓(xùn)練樣本組成，對(duì)帶有不同權(quán)重分布的訓(xùn)練樣本進(jìn)行多線性分析從而找到一組最優(yōu)矩陣：對(duì)于張量數(shù)據(jù)，將方程組(2)中變量hmt重新定義為：

其中的目標(biāo)函數(shù)可以表示如下：

s.t.方程(25)(20)

其約束條件就是方程式(25)。大多數(shù)情況下對(duì)于目標(biāo)函數(shù)沒(méi)有封閉形式的最優(yōu)解，可以通過(guò)迭代的解得以下目標(biāo)函數(shù)來(lái)獲得的封閉形式的最優(yōu)解：

k＝1,2,...,n(21)

令矩陣：

通過(guò)將子空間集成學(xué)習(xí)框架擴(kuò)展到張量子空間集成學(xué)習(xí)算法，很好地保留了步態(tài)模板的空間信息和頻率信息。

為了提取出有效的局部特征，將子空間集成學(xué)習(xí)框架擴(kuò)展到基于圖像塊的局部子空間集成學(xué)習(xí)算法?；趫D像塊的局部子空間集成學(xué)習(xí)算法具體如下：將步態(tài)圖模板i分成n1個(gè)不重疊的具有固定大小的圖像塊。

(1)在行或者列上對(duì)選好的圖像塊的步態(tài)特征表式重新排序，以獲得基于圖像塊的局部特征表式其中d'是每一塊中的像素?cái)?shù)，n'＝n1×n2。

(2)對(duì)于每個(gè)訓(xùn)練樣本xi∈x,i＝1,...,n，提取出其對(duì)應(yīng)的基于圖像塊的局部特征表示

(3)選出l塊找出對(duì)應(yīng)的基于圖像塊的局部投影矩陣以及權(quán)重向量a＝[a1,...,al]^t，使得對(duì)任意的(im,jm,km)有下式成立：

其中

(4)令變量將方程(23)帶入線性規(guī)劃中進(jìn)行求解。

基于圖像塊的局部子空間集成學(xué)習(xí)算法可以通過(guò)迭代選出對(duì)識(shí)別最有效的局部塊，從而獲得更加準(zhǔn)確的識(shí)別效果。利用usfhumanid數(shù)據(jù)庫(kù)和casia步態(tài)數(shù)據(jù)庫(kù)進(jìn)行測(cè)試，本發(fā)明所提出的算法和現(xiàn)有的步態(tài)識(shí)別算法相比在識(shí)別準(zhǔn)確度上應(yīng)具有較明顯的提升。

需要注意的是，上述具體實(shí)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(kāi)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(kāi)范圍并落入本發(fā)明的保護(hù)范圍之內(nèi)。本領(lǐng)域技術(shù)人員應(yīng)該明白，本發(fā)明說(shuō)明書(shū)及其附圖均為說(shuō)明性而并非構(gòu)成對(duì)權(quán)利要求的限制。本發(fā)明的保護(hù)范圍由權(quán)利要求及其等同物限定。