[发明专利]一种基于联合层次选择的子空间学习的跨视角步态识别方法

说明书

一种基于联合层次选择的子空间学习的跨视角步态识别方法，首先将目标视角和注册视角的步态样本划分为训练集和测试集，将两种视角步态数据同时进行层次分块划分，对于多层次的步态能量图块分别向量化后特征选择并进行级联；然后将注册视角和目标视角数据同时投影到公共子空间，通过构建跨视角对偶图的方式增强两者联系，投影的过程中进行有效特征选择和有效步态能量图块选择，去除冗余，形成公共子空间内注册样本集，通过训练的目标视角投影矩阵将测试目标视角数据投影到公共子空间中、形成公共子空间内目标样本集，采用欧式距离的最近邻方式对两个样本集进行步态识别。本发明将注册视角步态数据引入目标视角领域，增强跨视角步态识别效果。

技术领域

本发明涉及一种基于联合层次选择的子空间学习的跨视角步态识别方法，属于模式识别技术领域。

背景技术

步态是远距离可感知生物特征之一，与其他生物特征(例如人脸，指纹，手掌，静脉等)相比，步态可以从一个无意识且非合作的对象中捕获。步态识别具有非接触、远距离和不容易伪装的优点。近几十年有关步态识别的研究已广泛开展。最新的步态识别技术主要分为两类，即基于模型的方法和基于运动的方法。基于模型的方法可鲁棒地提取步态特征并避免噪声干扰问题。基于运动的方法无需拟合模型参数即可表征人体的运动模式。但是，由于衣服，鞋子，携带饰物条件，行走地表面，行走速度等因素变化，识别性能会下降。更严重的是，视角的变化将导致步态外观的剧烈变化，这给步态识别带来很大困难。因此，跨视角步态识别非常具有挑战性，值得进一步研究。阻碍步态识别系统良好性能的一个影响是，步态的外观特征比身份更容易受到视角的影响，尤其是当测试步态的视角方向不同于注册步态的时候。传统的投影学习方法无法解决该问题，因为这些方法只能学习一个投影矩阵，因此对于同一个个体，它无法将跨视角步态特征转换为相近的步态特征。

现有的跨视角步态识别方法分为两类：基于特征描述的方法和基于机器学习的方法。基于特征描述的方法通常描述步态属性，该步态属性对视角变化具有鲁棒性。而后者则研究如何推断和理解跨视角步态之间的潜在关系。基于特征描述的方法包括3D步态模型和轨迹估计。但是，3D步态模型需要很高的计算复杂性，以及从正面看轨迹估计非常困难，使得基于特征描述的方法存在一定的限制。但是，基于机器学习的方法可以很好地克服这些问题。但是大多数基于机器学习的方法都假定可以从注册视角生成目标视角，并且目标视角和注册视角在公共空间中共享公共特征。但是这类方法通常计算较为复杂,步态图像转换成向量后维数常常高达上万维,计算量很大，极大地降低了步态识别的效率。此外，由于基于模型的方法受到数据限制，在视角的变化较大时,这一类方法性能下降较大。另外出现了一些深度模型，但是深度学习本质是数据驱动的,需要大量的训练数据,而现有的数据库数据量相对较少，很大程度上限制了深度模型的表现。因此，针对以上弊端，本发明提供一种基于联合层次选择的子空间学习的跨视角步态识别方法，提高识别效果。

发明内容

步态的外观特征比身份更容易受到视角的影响，尤其是当测试步态的视角方向不同于注册步态的时候。传统的投影学习方法无法解决该问题，因为这些方法只能学习一个投影矩阵，因此对于同一个个体，它无法将跨视角步态特征转换为相近的步态特征。为了有效提高跨视角步态识别效果，本发明采用注册视角步态数据作为辅助域，进行跨视角步态识别。本发明提供了一种基于联合层次选择的子空间学习的跨视角步态识别方法，可以将层次分块的注册视角和目标视角步态数据同时进行块选择和特征选择，去除冗余特征的影响，并将两者投影至公共的子空间中，并在公共子空间中，使得同一个人的不同视角步态足够近。

发明概述：

一种基于联合层次选择的子空间学习的跨视角步态识别方法，包括：层次分块划分、数据处理、联合层次选择的子空间学习、和步态识别。

本发明的技术方案如下：

一种基于联合层次选择的子空间学习的跨视角步态识别方法，包括：

1)首先将目标视角和注册视角的步态样本划分为训练集和测试集，其中训练集包括目标视角的步态样本和注册视角的步态样本，测试集为目标视角的步态样本；