[发明专利]基于多图表达的人体动作学习方法

说明书

技术领域

本发明涉及计算机视觉技术领域，特别涉及一种基于多图表达的人体动作学习方法。 

背景技术

基于图论的算法是一种强有力的方式用来发掘数据的潜在结构，并从而提高非监督和半监督任务的性能。为说明这一点，联想到目前三种最成功的基于图论的方法：谱聚类法可用来找到任意结构的聚类，流行排序法成功应用于信息检索任务，拉普拉斯特征图(LE)则应用于降维。通常来说，用基于图论的方法发现高维数据的潜在结构，因此可提高非监督和半监督任务的准确性。 

这些基于图论的方法的第一步是产生一个关联矩阵，W，其意义是数据组X中每对点之间的关联度。对于本发明着重研究的词袋(BoF)直方图来说，用一个热核应用在每对点集xi，xj∈X的卡方距离χ²上。或者，使用直方图相交法。当W产生以后，再对其进行多种操作来得到最终结果。在某些方法中，例如LE,W会用kNN或∈邻域的方法来稀疏化，但其它方法都是用完全相连的方法。 

Wij=exp(-x2(xi,xj)σ2)---(1)]]>

不过，所有基于图论的表示法有一个共同的弊端：当从X产生W时，如果每对点只产生一个单一的关联值，则会从原始特征空间中有明显的信息丢失。特别是在小型数据组上(因为每行W是低维的)或者数据组的原始特征空间有较高维度时，信息会丢失得尤其严重。 

像直方图这样的高维数据，由一个单一的关联矩阵产生一个单一的图往往不足以获取在原始特征空间中呈现的全部结构。当实际表示图片或视频时，一个直方图中可能拥有多个统计学上相互独立的特征。那么，单一的图也就无法区分这些特征了。 

因此，有必要提出一种通过构建多重图的表示方法，从而大大降低了数据表示时 的信息丢失，并且保留了各个直方图内部的结构信息。 

发明内容

本发明的目的旨在提供一种基于多图表达的人体动作学习方法，通过构建多重图的方法以弥补当前图技术的空白。 

本发明提供的基于多图表达的人体动作学习方法包括：将特征空间分成几个相互独立的子空间，并通过多个图来表示所述子空间；从每个子空间产生不同的关联矩阵，并且在每个子空间进行谱嵌入；将这些嵌入缩放连结在一起，为每个信息点得到一个单一表示，以生成特征集合谱多重图FGSM，所述FGSM能从原始的特征空间得到最少的数据丢失；将FGSM应用于聚类、信息检索和识别算法，以进行人体动作学习。 

进一步地，所述特征空间是高维空间。 

进一步地，所述特征集合能被分成若干个不相交的子集，且所有子集之间应具有高度的独立性而其内部之间又应具有高高度的依赖性。 

进一步地，所述将特征空间分成几个相互独立的子空间，包括： 

在一个希尔波特-史密特独立判据HSIC值的关联图上计算每对特征，以通过频谱聚类而得到，所述HSIC能获取两个随机变量x和y的全部的非线性依赖性。 

进一步地，所述在一个希尔波特-史密特独立判据HSIC值的关联图上计算每对特征，包括： 

用以下步骤从有限个(xi,yi)元组中用经验公式估计出来：