[发明专利]基于双线性联合稀疏判别分析的步态识别方法

摘要

本发明提出的基于L_2,1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。本发明的创新点是使用L_2,1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。

主权项

1.一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、N_c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d_i，d_i≤m_i，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P_U，P_V第一步；判断变量t的大小是否大于迭代步长T_max，如果小于等于T_max，执行下面的操作；如果大于T_max，跳出循环，结束迭代操作；第二步：根据以下公式，计算变量其中，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，计算变量其次，根据如下公式，计算变量V^(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G_V，其对角元素为：最后，t＝t+1，重复第四步；第五步：根据和V^(t)计算第六步：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)；第七步：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，得到变量其次，根据如下公式，计算变量U^(t)，其中，对角矩阵G_U，其对角元素为：最后，t＝t+1，重复第七步操作；第八步，根据公式计算变量的值，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，(4)计算降维后的步态特征矩阵，步骤二、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。