[发明专利]一种基于多线性均值成分分析的步态识别方法

权利要求书

1.一种基于多线性均值成分分析的步态识别方法，其特征是，包括训练和识别阶段；所述训练阶段，对线性插值后的半个周期步态序列图像依次通过以下三种算法进行降维处理，并训练得到三种算法的投影变换矩阵：首先，通过广义张量分析将半个周期步态序列图像投影到一个低维的多线性子空间中；然后，采用多线性均值成分分析做进一步特征提取；最后，采用线性判别分析使得训练的张量样本最终投影到低维的向量空间中；所述识别阶段，待识别的半个周期步态序列图像样本经过广义张量分析、多线性均值成分分析算法训练得到的变换矩阵在张量空间中两次投影，再经过线性判别分析算法训练得到的变换矩阵在向量空间中投影，识别时在向量空间中采用最近邻分类器。

2.如权利要求1所述的基于多线性均值成分分析的步态识别方法，其特征是，所述训练阶段，通过广义张量分析将半个周期步态序列图像投影到一个低维的多线性子空间中，具体步骤如下：

令表示训练的半个周期步态序列图像样本集，其中，M是参与训练的样本个数，表示第m个训练样本，I_n(n＝1,…,N)为张量的“n-模式”的维数；定义投影后的张量为广义张量分析就是寻找一组投影矩阵使样本从高维空间映射到低维空间

广义张量分析的目标是通过寻找优化投影矩阵集合使样本的类内距离最小，类间距离最大，如式（2）所示；

{U~(n),n=1,...,N}=argU~(n),n=1,...,NmaxU(n)TSb(n)U(n)-ξU(n)TSw(n)U(n)---(2)]]>其中，{U⁽ⁿ⁾,n＝1,…,N}表示迭代寻优过程中的n模式投影矩阵变量，ζ表示调谐因子，表示样本的n模式的类间散布，表示样本的类内散布，如式（3）、（4）所示；

Sb(n)=Σi=1CNi(Mi(n)-M(n))(Mi(n)-M(n))T---(4)]]>其中，角标(n)表示张量的n模式，C表示类别总数，表示第i类第j个样本的n模式值，是第i类样本的n模式均值，N_i表示第i类的样本数，M(n)=1CΣi=1CMi(n)]]>表示整体样本n模式的均值。