[发明专利]一种对行走状态变化具有鲁棒性的步态识别方法

摘要

本发明公开了一种对行走状态变化具有鲁棒性的步态识别方法，建立不同行走状态的步态特征矩阵之间的距离度量表达式，通过机器学习手段，在训练阶段将同一个体的不同行走状态的样本构成联系并耦合到同一像空间中，训练完成后可得到不同行走状态样本各自的投影矩阵；在识别阶段，当测试样本与注册集样本库的行走状态不一致时，在训练得到的不同行走状态的投影轴上分别投影，采用最近邻分类器进行分类。本发明不需要从一种行走状态到另外一种行走状态进行预测估计，可直接采用机器学习解决行走状态变化的步态识别问题。

主权项

1.一种对行走状态变化具有鲁棒性的步态识别方法，其特征是，主要包括：建立不同行走状态的步态特征矩阵之间的距离度量表达式、训练阶段和识别阶段；训练时，在训练样本集合中建立相似度矩阵，建立目标优化函数，然后对该目标函数解耦得到不同行走状态步态的各自变换矩阵，不同行走状态的步态分别在这两个变换矩阵上投影得到矩阵空间下不同行走状态的步态样本特征集合，然后将所有样本特征向量化处理，再采用向量空间下的耦合度量学习得到向量空间下的不同行走状态步态的各自变换矩阵，最后得到注册集样本的最终特征集合；测试样本与注册集样本的行走状态不一致时，利用训练阶段得到的矩阵空间下的变换矩阵和向量空间下的变换矩阵投影变换两次，最终采用最近分类器判定该步态样本所属的类别；所述不同行走状态的步态特征矩阵之间的距离度量表达式的建立方法为：对于两个不同行走状态的步态特征矩阵集合和分别表示维数为D_xm×D_xn和D_ym×D_yn的空间，其中的步态样本和的距离定义为κ^C:R表示实数空间；①通过映射函数f_x和f_y将X_i和Y_j映射到同一个像空间中：表示维数为D_c×D_r的空间；②在像空间中再进行传统的矩阵距离度量κ_C:因此κC(Xi,Xj)=κC(X~i,X~j)=κC(fx(Xi),fy(Yj))=||fx(Xi)-fy(Yj)||C]]>   (1)=tr{[fx(Xi)-fy(Yj)]TC[fx(Xi)-fy(Yj)]}]]>其中，||||_C是定义计算κ_C的距离度量关系，T表示转置；C是定义一个矩阵以代替距离度量关系||||_C，C是一个半正定阵；令C＝W_cW_c^T，fx(Xi)=WxmTXiWxn,]]>fy(Yj)=WymTYjWyn,]]>则κC=(Xi,Yj)=tr{[WcTWxmTXiWxn-WcTWymTYjWyn]T[WcTWxmTXiWxn-WcTWymTYjWyn]}---(2)]]>再令P_x＝W_xmW_c，Q_x＝W_xn，P_y＝W_ymW_c，Q_y＝W_yn，有κC(Xi,Yj)=tr{[PxTXiQx-PyTYjQy]T[PxTXiQx-PyTYjQy]}---(3)]]>求取κ^C(X_i,Y_j)中的P_x，Q_x，P_y和Q_y即得到两个不同行走状态的步态样本之间的距离，并且需要利用监督信息来指导学习得到这四个投影矩阵。