[发明专利]一种基于多线性均值成分分析的步态识别方法

说明书

技术领域

本发明属于机器学习和模式识别领域，涉及一种步态识别方法。

技术背景

近些年以来，伴随着经济的高速发展，有效可靠的公共安全和信息安全建设在社会中的呼声越来越高。目前，利用人脸、指纹、虹膜、DNA等生物特征进行身份确认已经在许多应用领域普及。作为生物特征不可或缺的一部分，近些年来步态识别越来越引起广大研究者的重视。

步态识别的研究目的是在研究对象未察觉的情况下根据其走路的步态特征进行身份识别。它具有以下优点：一是对采集设备要求低，不需要分辨率高的采集系统；二是可以实现远距离采集，具有非接触性、非侵犯性；三是它受环境影响小，在未察觉的情况下进行采集，不易伪装模仿等。因此，在视频监控应用领域，步态识别是最有潜力、无可替代的生物特征。多线性子空间学习算法可很好地压缩张量数据，可保持原始张量数据的结构信息，有效提高识别效率和准确度，随着对大数据的处理而出现，利用多线性子空间学习直接对步态序列数据进行降维处理，成为步态识别领域研究的一大热点。目前，典型的多线性子空间学习的方法主要有：一种无监督全局方法，即多线性主成分分析（Multilinear Principal Component Analysis,MPCA）；广义张量判别分析(General Tensor Discriminant Analysis,GTDA)，优化类间散布和类内散布之差最大，但是该方法对参数设置敏感；张量表达的判别分析(Discriminant Analysis with Tensor Representation,DATER)，优化类间散布与类内散布之商，但是该方法迭代求解不收敛。最近，研究者把一幅彩色图像看作为一个三阶张量，提出了一种张量判别颜色空间模型，该模型可以很好地保持潜在彩色图像的空间结构；研究人员还给出了张量数据维数约简的一般框架，提出一种多线性局部保留的最大信息嵌入算法；还有一种为表达像素的光谱空间特征的张量组织策略，开发了张量判别局部对齐以去除冗余信息。

研究表明：这些多线性子空间学习算法可很好地解决步态序列图像的维数约减问题，但是识别性能仍有提升的空间。

发明内容

基于多线性子空间学习的步态识别方法能够保持张量数据的空时结构信息，但是识别性能仍然有待进一步提高，为解决上述技术问题，本发明提供了一种基于多线性均值成分分析的步态识别方法，该方法建立在半个步态周期的步态图像序列样本经线性插值形成统一大小的张量数据基础上，较其他多线性子空间学习方法可改善步态识别性能，改善了目前步态识别算法识别率不高的缺点。

本发明是通过如下技术方案来实现的：

一种基于多线性均值成分分析的步态识别方法，包括训练和识别两个阶段。在训练阶段中，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（GTDA）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（Multilinear Mean Component Analysis,MMCA）做进一步特征提取；最后，采用线性判别分析（Linear Discriminant Analysis,LDA）使得训练的张量样本最终投影到低维的向量空间中。在识别阶段中，待识别的半个周期步态序列图像样本经过广义张量分析（GTDA）、多线性均值成分分析（MMCA）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（LDA）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。

1.训练阶段

1.1广义张量分析（GTDA）

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GTDA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

GTDA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。