基于双线性联合稀疏判别分析的步态识别方法技术

本发明专利技术提出的基于L2,1范数的双线性联合稀疏判别分析的步态识别方法，使用两个投影矩阵将原始的包含步态轮廓的图像投影到低维的特征矩阵中。与传统的基于矩阵分解的降维算法相比，本发明专利技术能够更好的进行特征提取与特征选择。为了增强算法的判别能力和分类的精度，联合稀疏性和Fisher判决标准融入到算法中来选取更有效的分类特征。本发明专利技术的创新点是使用L2,1范数作为正则项作用于投影矩阵，从而改进了基于l1范数和l2范数的弹性网正则稀疏回归方法存在的缺点。本发明专利技术的方法利用迭代回归方法来学习具有联合稀疏特性的投影矩阵进行特征提取与分类，具有更强的鲁棒性与特征选择的能力，从而提高了步态识别的性能。

【技术实现步骤摘要】

本专利技术属于模式识别
，具体设及一种基于稀疏双线性判别分析的步态识 别方法。
技术介绍
最近几年，随着人类经济的发展，特别是"9. 11"事件W后，可靠的公共安全和信息 安全建设在社会中的需求越来越高。随着国内智慧城市运一理念的提出和实现，使城市视 频监控等方面得到了很大的发展，在公共安全建立、犯罪事件的侦破等方面发挥了重要的 作用。尽管目前利用人脸、虹膜、指纹、DNA等生物特征进行身份确认已经在很多应用领域 普及，但作为生物特征不可或缺的一部分，人类步态识别技术在非接触识别
发挥 着重要的作用。因此，在视频领域使用人类步态识别技术具有必要性。 人类步态识别是把研究对象走路的姿势进行人的身份识别和认证。与其他的生物 识别特征相比，步态识别具有如下的优点：一是具有非接触远距离，非侵犯性；二是不易伪 装，在未察觉的情况下进行采集，受环境影响小；=是与其他生物特征识别相比，对采集设 备的要求低，不需要高精度、高分辨率的采集系统，比人脸识别、指纹识别更有优势，例如目 前人脸识别技术受限于视频质量和拍摄角度；指纹、虹膜等生物认证技术要求近距离或接 触性的感知（如指纹需要接触指纹扫描仪等）；在黑夜中，步态识别能更大地发挥其作用。 子空间分析法因具有描述性强、计算代价小、易实现及可分性好等特点，被广泛地 应用于步态特征提取，成为当前生物特征识别的主流方法之一。主成分分析（Principle ComponentAnalysis,PCA)和线性判别分析作（XinearDiscriminationAnalysis,LDA) 为两种传统的子空间学习的方法，适用于低维的压缩表示和步态识别。随着子空间学习方 法的快速发展，最近提出的稀疏子空间学习方法因为具有如下特性被广泛关注：使用范 数学习理论与方法能得到稀疏特征选择的功能，且在特征提取与识别方面具有很强的鲁棒 性。稀疏主成分分析（SparsePCA，SPCA)算法使用為范数得到稀疏学习模型，该模型能够 使用稀疏性进行特征选择和达到降低维度的目的。截止到目前，基于稀疏子空间学习方法 已经应用到很多领域，但是基于稀疏的步态识别算法研究才刚开始，W及如何使用稀疏判 别分析算法用于步态识别仍然无法很好的解决。 在生物特征识别技术的发展过程中，为了便于理解和解决，人们把具体问题抽 象为欧式空间或其他相对简单的空间来简化描述，用一阶张量（即向量，Vector)或二 阶张量（即矩阵，Matrix)等低阶张量对问题的抽象空间进行数据化表示。图像的矩阵 表示和向量表示方法一直占据重要地位，实际上图像是W张量形式存在的。W下是几种 常用的基于张量表示的算法。基于最大边界准则的稀疏张量判别分析（SparseTensor DiscriminantAnalysis,STDA)用于人脸和行为特征提取、广义张量判别分析（General TensorDiscriminantAnalysis，GTDA)，稀疏双线性鉴别分析（SparseBilinear DiscriminantAnalysis,SBDA)这些方法是使得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方法值iscriminantAnalysiswithTensor 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。研究 者提出把一张彩色图像看作为一个=阶张量，提出了一种张量判别颜色空间模型，该模型 用于保持潜在彩色图像的空间结构；研究人员提出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W去除冗余信息。 研究表明，运些基于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，但是经典的基于向量或图像矩阵的方法并没有特征选择的功能。尽管现有稀疏的方法 用于特征提取，即用SBDA进行步态特征提取与识别。尽管SBDA能稀疏地提取特征，但它的 投影不具备联合稀疏性而难W给出一致的可解释性，且该算法鲁棒性相对较差，所提取的 特征识别性能仍有提升的空间。W上传统的学习模型不太适合于步态识别问题，其中原因如下：①步态轮廓的信 息是通过矩阵的形式表现出来的，但是稀疏子空间方法无法适用于轮廓矩阵。传统的低 秩分解算法不能保证原始数据的非负性，而系数之间的正负相互抵消会使特征削弱，导致 识别精度下降。②步态轮廓图像一般包含较多数据，空间变换运算量大。例如，如果步态 序列按某种方法可W用一幅128*88的图像表示，将该图像转换为图像向量，一个步态图 像向量的分量数高达11264,假设当前共有100个步态图像，则步态图像矩阵可W表示为 11264*100。图像向量矩阵数据如此之多，进行统计分析不仅耗时长，而且会出现特征向量 类内分布矩阵奇异性问题，从而增加计算复杂度。因此基于高维向量的方法不适合用于步 态图像特征提取与识别。但是除了SBDA，现有的步态识别方法都不能得到稀疏的投影，不具 备特征选择功能。尽管SBDA能稀疏地提取特征，但它的投影不具备联合稀疏性进而难W给 出一致的可解释性，且该算法鲁棒性相对较差，所提取的特征识别性能仍有提升的空间。另 一重要的不足是当训练样本数据间有较大的相似性，或者出现两个样本相似性相同的情况 下，在SBDA中利用弹性网来解稀疏回归问题，其只是随机选择一个样本进行回归，从而运 样得到的基于A范数的稀疏解具有一定的随机性，运将导致识别率不高。
技术实现思路
为了解决现有技术中问题，本专利技术提出一种基于双线性联合稀疏判别分析的步态 识别方法，利用L2,i范数作为正则项进行联合稀疏学习，进一步提升步态识别性能。 本专利技术通过如下技术方案实现：] 一种，所述方法用于处理步态样本 矩阵?(XE = ，其中，N代表样本的总个数、N。和分别代表类标的个数和第 i类样本的个数；通过构造两个投影矩阵C/e胶和反胶气，原始的图像信息通过所述 投影矩阵投影到低维的特征矩阵中，降维后的图像尺寸di(di《m1)，i= 1，2,其特征在于： 所述方法包括W下步骤： 步骤一、特征提取，对训练集和测试集数据分别进行特征提取 (1)初始化 首先初始化uW和巧"1为任意随机矩阵； 似通过迭代操作，求出鉴别稀疏子空间P。，Pv 第一步；判断变量t的大小是否大于迭代步长Tm。、，如果小于等于Tm。、，执行下面的 操作；如果大于Tm。、，跳出循环，结束迭代操作；[001引第二步：根据W下公式，计算变量瑞，巧，巧， 其中，穿代表全部训练样本的均值，代表第j类样本的平均值，是代表第i类 样本的平均值；[002。第立步：判断t是否等于1，如果t等于1，那么V=yw，反么V=yh U;[002引第四步：求出鉴别稀疏子空间和鉴别空间yw， 首先，判断变量t是否小于等于T，如果t小于等于T，那么执行下面的操作；反之， 结束第四步； 然后，根据如下公式，计算变量[002引其次，根据如下公式，计算变量yw: 其中，A代表拉格朗日乘子，yG，y,a，P代表设定的常数，对角矩阵Gv， 其对角元素为： 最后，t=t+l，重复第四步；第五步：根据却'哺r(')计算巧?巧，瑞'， 第六步：对变量谋进行SVD分解，计算变量Hv的值；[003引第屯步：判断t是否等于1，如本文档来自技高网...

【技术保护点】
一种基于双线性联合稀疏判别分析的步态识别方法，所述方法用于处理步态样本矩阵其中，N代表样本的总个数、Nc和分别代表类标的个数和第i类样本的个数；通过构造两个投影矩阵和原始的图像信息通过所述投影矩阵投影到低维的特征矩阵中，降维后的图像尺寸di(di≤mi),i＝1,2，其特征在于：所述方法包括以下步骤：步骤一、特征提取，对训练集和测试集数据分别进行特征提取；(1)初始化首先初始化U(0)和为任意随机矩阵；(2)通过迭代操作，求出鉴别稀疏子空间PU,PV第一步；判断变量t的大小是否大于迭代步长Tmax，如果小于等于Tmax，执行下面的操作；如果大于Tmax，跳出循环，结束迭代操作；第二步：根据以下公式，计算变量SWU=Σj=1NCΣi=1NCi(UTXi-UTX‾j)T(UTXi-UTX‾j),]]>SBU=Σj=1NCNCi(UTX‾i-UTX‾)T(UTX‾i-UTX‾),]]>SDU=Σj=1NCΣi=1NCi[(PU-U)T(Xi-X‾j)]T[(PU-U)T(Xi-X‾j)],]]>其中，代表全部训练样本的均值，代表第j类样本的平均值，代表第i类样本的平均值；第三步：判断t是否等于1，如果t等于1，那么V＝V(0)，反之，V＝V(t‑1)；第四步：求出鉴别稀疏子空间和鉴别空间V(t)，首先，判断变量t是否小于等于T，如果t小于等于T,那么执行下面的操作；反之，结束第四步；然后，根据如下公式，计算变量PV(t)=(SDU+α1-μGV)-1SDUV(t);]]>其次，根据如下公式，计算变量V(t)：V(t)=(1-μ)[μSWU+(1-μ)SDU-λSBU]-1SDUPV(t),]]>其中，λ代表拉格朗日乘子，μ∈[0,1]，μ,α,β代表设定的常数，对角矩阵GV，其对角元素为：GV,ii=12||PVi||2;]]>最后，t＝t+1，重复第四步；第五步：根据和V(t)计算SWV=Σj=1NCΣi=1NCi(VTXi-VTX‾j)T(VTXi-VTX‾j),]]>SBV=Σj=1NCNCi(VTX‾i-VTX‾)T(VTX‾i-VTX‾),]]>SDV=Σj=1NCΣi=1NCi[(PV-V)T(Xi-X‾j)]T[(PV-V)T(Xi-X‾j)];]]>第六步：对变量进行SVD分解，计算变量HV的值；第七步：判断t是否等于1，如果t等于1，那么U＝U(0)，反之，U＝U(t‑1)；第八步：求出鉴别稀疏子空间和鉴别空间U(t)，首先，判断变量t是否小于等于T，如果t小于等于T，那么执行下面的操作；反之，结束第九步；然后，根据如下公式，得到变量PU(t)=(SDV+α1-μGU)-1SDVU(t);]]>其次，根据如下公式，计算变量U(t)，U(t)=(1-μ)[μSWV+(1-μ)SDV-λSBV]-1SDVPU(t),]]>其中，对角矩阵GU，其对角元素为：GU,ii=12||PUi||2;]]>最后，t＝t+1，重复第八步操作。第九步，根据公式JD(U,V,PU,PV)=tr((PV-V)TSDV(PV-V))]]>计算变量的值，如果变量J的值减小，则跳到第一步继续执行，否则执行下面操作；(3)归一化：将计算得到的和进行归一化，PU(:,S)=PU(t)(:,s)/||PU(t)(:,s)||,s=1:d1]]>Pv(:,s)=PV(t)(:,s)/||PV(t)(:,s)||,s=1:d2]]>(4)计算降维后的步态特征矩阵，Yi=PUTXiPV,(i=1,...,N);]]>步骤三、分类针对特征提取后的训练集和测试集数据，使用最近邻分类器进行判别分类，给出步态识别结果。...

【技术特征摘要】

【专利技术属性】
技术研发人员：赖志辉，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44