[發明專利]一種基于多線性均值成分分析的步態識別方法

有效

• 申請號: 201410030101.3
• 申請日: 2014-01-22
• 公開（公告）號: CN103745205B
• 公開（公告）日: 2017-01-11
• 發明（設計）人: 賁晛燁;張鵬;田雅薇;劉天嬌;孫孟磊;王鳳君
• 申請（專利權）人: 山東大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/66
• 代理公司: 濟南圣達知識產權代理有限公司37221
• 代理人: 李鵬

技術領域

本發明屬于機器學習和模式識別領域，涉及一種步態識別方法。

技術背景

近些年以來，伴隨著經濟的高速發展，有效可靠的公共安全和信息安全建設在社會中的呼聲越來越高。目前，利用人臉、指紋、虹膜、DNA等生物特征進行身份確認已經在許多應用領域普及。作為生物特征不可或缺的一部分，近些年來步態識別越來越引起廣大研究者的重視。

步態識別的研究目的是在研究對象未察覺的情況下根據其走路的步態特征進行身份識別。它具有以下優點：一是對采集設備要求低，不需要分辨率高的采集系統；二是可以實現遠距離采集，具有非接觸性、非侵犯性；三是它受環境影響小，在未察覺的情況下進行采集，不易偽裝模仿等。因此，在視頻監控應用領域，步態識別是最有潛力、無可替代的生物特征。多線性子空間學習算法可很好地壓縮張量數據，可保持原始張量數據的結構信息，有效提高識別效率和準確度，隨著對大數據的處理而出現，利用多線性子空間學習直接對步態序列數據進行降維處理，成為步態識別領域研究的一大熱點。目前，典型的多線性子空間學習的方法主要有：一種無監督全局方法，即多線性主成分分析（Multilinear?Principal?Component?Analysis,MPCA）；廣義張量判別分析(General?Tensor?Discriminant?Analysis,GTDA)，優化類間散布和類內散布之差最大，但是該方法對參數設置敏感；張量表達的判別分析(Discriminant?Analysis?with?Tensor?Representation,DATER)，優化類間散布與類內散布之商，但是該方法迭代求解不收斂。最近，研究者把一幅彩色圖像看作為一個三階張量，提出了一種張量判別顏色空間模型，該模型可以很好地保持潛在彩色圖像的空間結構；研究人員還給出了張量數據維數約簡的一般框架，提出一種多線性局部保留的最大信息嵌入算法；還有一種為表達像素的光譜空間特征的張量組織策略，開發了張量判別局部對齊以去除冗余信息。

研究表明：這些多線性子空間學習算法可很好地解決步態序列圖像的維數約減問題，但是識別性能仍有提升的空間。

發明內容

基于多線性子空間學習的步態識別方法能夠保持張量數據的空時結構信息，但是識別性能仍然有待進一步提高，為解決上述技術問題，本發明提供了一種基于多線性均值成分分析的步態識別方法，該方法建立在半個步態周期的步態圖像序列樣本經線性插值形成統一大小的張量數據基礎上，較其他多線性子空間學習方法可改善步態識別性能，改善了目前步態識別算法識別率不高的缺點。

本發明是通過如下技術方案來實現的：

一種基于多線性均值成分分析的步態識別方法，包括訓練和識別兩個階段。在訓練階段中，對線性插值后的半個周期步態序列圖像依次通過以下三種算法進行降維處理，并訓練得到三種算法的投影變換矩陣：首先，通過廣義張量分析（GTDA）將半個周期步態序列圖像投影到一個低維的多線性子空間中；然后，采用多線性均值成分分析（Multilinear?Mean?Component?Analysis,MMCA）做進一步特征提取；最后，采用線性判別分析（Linear?Discriminant?Analysis,LDA）使得訓練的張量樣本最終投影到低維的向量空間中。在識別階段中，待識別的半個周期步態序列圖像樣本經過廣義張量分析（GTDA）、多線性均值成分分析（MMCA）算法訓練得到的變換矩陣在張量空間中兩次投影，再經過線性判別分析（LDA）算法訓練得到的變換矩陣在向量空間中投影，識別時在向量空間中采用最近鄰分類器。

1.訓練階段

1.1廣義張量分析（GTDA）

令表示訓練的半個周期步態序列圖像樣本集，其中，M是參與訓練的樣本個數，表示第m個訓練樣本，I_n(n＝1,…,N)為張量的“n-模式”的維數。定義投影后的張量為GTDA就是尋找一組投影矩陣使樣本從高維空間映射到低維空間

GTDA的目標是通過尋找優化投影矩陣集合使樣本的類內距離最小，類間距離最大，如式（2）所示。