[發明專利]結合子空間學習與張量神經網絡的步態識別方法及系統

有效

• 申請號: 201710126382.6
• 申請日: 2017-03-06
• 公開（公告）號: CN106919921B
• 公開（公告）日: 2020-11-06
• 發明（設計）人: 劉洪濤;劉光軍;蹇潔;劉媛媛;雷大江
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郝傳鑫;賈允

1.一種結合子空間學習與張量神經網絡的步態識別方法，其特征在于，包括：

獲取步態數據，得到步態數據集；

對所述步態數據集中的步態數據進行圖像處理，得到剪影圖集合；

根據剪影圖集合，得到用于表現步態速度和形態的步態能量圖；

按照預設的分集規則，將所述剪影圖集合分為第一集合和第二集合；

將步態能量圖和第一集合的剪影圖數據輸入第一張量神經網絡，得到第一分類結果；

將步態能量圖和第二集合的剪影圖數據輸入第二張量神經網絡，得到第二分類結果；所述第一張量神經網絡模塊和第二張量神經網絡模塊采用的網絡模型為：

其中，g為輸出，(e₁,R,e₂)為訓練樣本，e₁和e₂為輸入實體的特征向量，關系類型R對應于訓練的網絡參數，即網絡權重和張量值，為屬于類別R的權值，f為tanh激活函數，為張量部分，V_R為和類別有關的權重，b_R為和類別有關的偏置，為一個矩陣，所述矩陣中每個元素均為一個切片，張量神經網絡模塊的階數由輸入層的張量部分確定；

第一分類結果和第二分類結果進行對比分析，得到識別結果；

其中，將第一集合/第二集合的剪影圖數據輸入第一張量神經網絡/第二張量神經網絡之前還包括：基于子空間學習方法，對剪影圖數據進行數據維度降低處理操作；所述對剪影圖數據進行數據維度降低處理操作之后，還包括：第一張量神經網絡/第二張量神經網絡將降維后的向量數據形式轉化為張量形式，轉化模型為：

其中，x,y代表輸入量，W為權重張量，T代表數學中的轉置操作，是克羅內克積。

2.根據權利要求1所述的步態識別方法，其特征在于，所述對剪影圖數據進行數據維度降低處理操作包括：利用圖和流形之間的對應關系，可將流形學習算法的目標函數轉化為對應圖上的矩陣運算，通過求解圖上相關矩陣的特征向量來表示低維嵌入坐標。

3.一種結合子空間學習與張量神經網絡的步態識別系統，其特征在于，包括：

步態數據模塊，用于獲取步態數據，得到步態數據集；

剪影圖模塊，用于對所述步態數據集中的步態數據進行圖像處理，得到剪影圖集合；

步態能量圖模塊，用于根據剪影圖集合，得到用于表現步態速度和形態的步態能量圖；

分集模塊，用于按照預設的分集規則，將所述剪影圖集合分為第一集合和第二集合；

第一神經網絡模塊，用于將步態能量圖和第一集合的剪影圖數據輸入第一張量神經網絡，得到第一分類結果；

第二神經網絡模塊，用于將步態能量圖和第二集合的剪影圖數據輸入第二張量神經網絡，得到第二分類結果；

所述第一張量神經網絡模塊和第二張量神經網絡模塊采用的網絡模型為：

其中，g為輸出，(e₁,R,e₂)為訓練樣本，e₁和e₂為輸入實體的特征向量，關系類型R對應于訓練的網絡參數，即網絡權重和張量值，為屬于類別R的權值，f為tanh激活函數，為張量部分，V_R為和類別有關的權重，b_R為和類別有關的偏置，為一個矩陣，所述矩陣中每個元素均為一個切片，張量神經網絡模塊的階數由輸入層的張量部分確定；

比對模塊，用于對第一分類結果和第二分類結果進行對比分析，得到識別結果；

將第一集合/第二集合的剪影圖數據輸入第一張量神經網絡/第二張量神經網絡之前還包括：基于子空間學習方法，對剪影圖數據進行數據維度降低處理操作；

所述對剪影圖數據進行數據維度降低處理操作之后，還包括：第一張量神經網絡/第二張量神經網絡將降維后的向量數據形式轉化為張量形式，轉化模型為：

其中，x,y代表輸入量，W為權重張量，T代表數學中的轉置操作，是克羅內克積。

4.根據權利要求3所述的步態識別系統，其特征在于，所述第一神經網絡模塊/第二神經網絡模塊包括支持向量機模塊，所述支持向量機模塊用于作為分類器對張量神經網絡模塊的輸出結果進行分類處理。

5.根據權利要求3所述的步態識別系統，其特征在于，所述步態數據集包括拍攝采集的步態視頻數據，或者目標步態數據庫中的數據。