[发明专利]基于稀疏张量局部Fisher判别分析算法的人体行为识别方法

说明书

本发明公开了一种基于稀疏张量的人体行为识别方法，该方法包括以下步骤：获取人体行为剪影序列构建样本，每个样本用三阶张量表示；使用稀疏张量局部Fisher判别分析训练出稀疏投影矩阵组；用求得的稀疏投影矩阵组把训练样本和待测样本投影到张量子空间；计算出待测样本和训练样本之间的相似度，构造基于张量距离的最近邻分类器对低维空间的待测样本进行识别。本发明的张量局部Fisher判别分析算法把求特征值、特征向量的问题转化为一系列的线性回归问题，不但满足了张量局部Fisher判别分析的目标，而且保证了得到的投影矩阵的稀疏性。

技术领域

本发明涉及人体行为剪影序列的特征提取的技术领域，尤其涉及一种基于稀疏张量局部Fisher判别分析算法的人体行为识别方法。

背景技术

基于代数特征的提取方法的基本思想是将原始样本投影到子空间形成代数特征，代表性的方法有主成分分析(PCA)、线性判别分析(LDA)和基于流形学习的方法。主成分分析(PCA)是一种无监督的特征提取方法，旨在通过最大化协方差矩阵的迹来最大化投影子空间的方差。物理意义是在投影后的子空间，使得所有样本之间的距离尽可能的大。线性判别分析(LDA)在嵌入鉴别信息时，能够保证在子空间中最大化类间离散度的同时最小化类内离散度。其物理意义是使得在投影后的子空间中，同类的数据之间的距离尽可能的小，不同类的数据之间的距离尽可能的远。传统的子空间特征提取算法主要是考虑整个样本集全局的线性或非线性结构。而流形学习考虑的是样本的局部意义，通过利用局部学习来获得近似的全局线性结构，最终得到全局特征。其中的局部保留投影(LPP)旨在投影空间中尽量保持原高维数据的局部近邻分布结构。

然而，LDA算法只考虑了同类样本的关系，忽略了样本的局部信息。这就导致，当同一类样本包含几个不同的簇时，LDA对它们的分类效果并不理想。因此，在处理多模数据时，必须考虑样本的局部信息，将数据的流形特征提取出来。而LPP方法在特征提取过程中，充分保持了样本的流形结构，却忽略了样本集的全局结构，导致在处理类间交叉数据时，分类结果也不理想。为了解决这个问题，Sugiyama取其精华，去其糟粕，将LDA和LPP算法结合起来，提出了局部Fisher判别分析(LFDA)，并在多模数据和类间交叉数据的分类中都获得了较好的结果^[1]。

但上述方法进行目标识别时，需要把图像数据向量化。由于要进行大矩阵的特征值分解，这种操作不仅会造成巨大的计算代价，同时还破坏了图像原有的空间相关性。为了解决这个问题，研究学者们开始用一个高阶张量来描述对象。比如，一张灰度的人脸图像可以作为一个二阶的张量。人体行为或者视频数据可以看作是一个三阶或者更高阶的张量。HE提出了判别张量子空间分析(DTSA)，把一个彩色的人脸图像看作是一个三阶张量^[2]。Lu等人提出多线性主成分分析(MPCA)，该框架通过把PCA扩展到张量上实现对张量对象的特征提取^[3]。基于同样的想法，又有人将LDA、LPP算法扩充到张量表示上，提出了多线性判别分析(MDA)^[4]、张量局部保持投影(TLPP)^[5]。