[发明专利]一种基于正则回归的秩-1张量投影的行为识别方法

权利要求书

1.一种基于正则回归的秩-1张量投影的行为识别方法，其特征在于，包括以下步骤：

(1)训练过程：对已知行为类别的训练数据进行预处理，得到完整的前景行为数据、原始行为数据和显著行为数据，然后对上述数据采用One Vs All的策略对每种行为分别训练一个两类分类器，进而求得一个包括三个投影向量的投影向量集，通过投影向量集外积得到秩-1张量投影，将已知类别的训练行为按种类划分为多个子集，构建子集嵌入；

(2)识别过程：将测试数据输入到步骤(1)所得到的各个两类分类器，然后将所有两类分类器的输出响应组成行向量，将此行向量与步骤(1)所得到的每一维的子集嵌入结果相乘，找到相乘结果最大的行向量，其所对应的两类分类器所代表的正样本类别即是测试行为所判定的类别。

2.根据权利要求1所述的基于正则回归的秩-1张量投影的行为识别方法，其特征在于，所述步骤(1)中，所得到的前景行为数据、显著行为数据需进行空间归一化，使其大小相同。

3.根据权利要求1所述的基于正则回归的秩-1张量投影的行为识别方法，其特征在于，所述步骤(1)中，One Vs All的策略具体为：对某类别行为数据训练两类分类器，将属于此类别的行为数据作为正样本，反之为负样本，相应的类别标记分别为1和-1，将所有已知类别的训练样本接连成矩阵X，对应的类别标记接连成向量y，并且作为输入，求解投影向量，构建两类分类器。

4.根据权利要求1所述的基于正则回归的秩-1张量投影的行为识别方法，其特征在于，所述步骤(1)中，两类分类器所对应的投影向量集具体求解方法是：假设p₁和p₂已知，求解投影向量p₃，首先随机初始化p₁和p₂，m₃维向量x₃则通过 得到；给定一组已知类别的训练样本 其中y为类别标记，且y^l∈{-1，1}，将所有训练样本投影到p₁和p₂的张量空间得到 将 和y^l转置后堆叠得到矩阵X₃和行向量y，然后通过传统的最小二乘法求解投影向量p₃，即：

。

5.根据权利要求4所述的基于正则回归的秩-1张量投影的行为识别方法， 其特征在于，所述步骤(1)中，采用传统最小二乘法求解投影向量p₃时，引入两个正则项：一个是待估计投影向量范数的平方，另一个是基于图的拉普拉斯约束，得到优化公式为

其中α和β用来控制各正则项的影响幅度，L为拉普拉斯矩阵，其具体的计算方法为：在原始的张量空间中，建立一个无向图G，其中M个训练样本对应张量空间中的M个结点：X¹，X²，..，X^M，如果结点i和j距离相近且属于同一类别，则连接这两个结点，并赋予权值W_ij＝1；反之W_ij＝0，权矩阵 记录了所有张量样本之间的几何和类别关系，然后采用如下公式表达：

其中D是一个对角矩阵，对角元素为权矩阵中所对应的列向量总和，L＝D-W为拉普拉斯矩阵；

然后对公式(2)中的p₃求导，使其等于0，则可求得：

依此方法，假设p₁和p₃已知，求解p₂；假设p₃和p₂已知，求解p₁，待循环T_max次，或相邻投影向量范数的差小于一定阈值时，即得到投影向量集合