[发明专利]基于分布式协同学习的人体运动跟踪方法

权利要求书

1.一种基于分布式学习的人体运动跟踪方法，包括如下步骤：

（1）输入待处理的真实姿态已知的训练视频和测试视频，并将其转换为连续单幅序列图，根据图像内容确定需要识别的主要人体目标图像区域，并用矩形框体将其提取出，再将由训练视频得到的和由测试视频得到的图像区域的大小统一转换为近似于人体运动比例的64×192像素的初始图像，分别作为训练样本和测试样本，训练样本的真实姿态用姿态矩阵表示，其中N_train是训练样本的个数，E是真实姿态的维数；

（2）利用HoG描述子或Shift描述子，提取训练样本和测试样本的特征，得到训练样本的特征矩阵和测试样本的特征矩阵其中x_p表示训练样本的特征向量，p=1,2,...,N_train，x_q表示测试样本的特征向量，q=1,2,...,N_test，N_test为测试样本的个数，T表示矩阵的转置操作；

（3）利用随机特征映射法将训练样本的特征矩阵X和测试样本的特征矩阵X_t投影到随机特征空间中，分别得到训练样本的映射矩阵Φ(X)=[Φ(x1)T,Φ(x2)T,···,Φ(xp)T,···,Φ(xNtrain)T]T]]>和测试样本的映射矩阵Φ(Xt)=[Φ(x1)T,Φ(x2)T,···,Φ(xq)T,···,Φ(xNtest)T]T,]]>其中Φ(x_p)和Φ(x_q)分别表示训练样本的特征向量x_p和测试样本的特征向量x_q在随机特征空间中的投影；

（4）将训练样本的映射矩阵Φ(X)和与其对应的姿态矩阵Y构成人体运动跟踪模型：θ′=argminθ12||Y-Φ(X)θ||F2,]]>其中12||Y-Φ(X)θ||F2]]>是该模型所要最小化的目标函数，θ是目标函数的变量，||·||_F表示矩阵的Frobenius范数；

（5）将人体运动跟踪模型θ′分割成N个同解子模型θc=argminθi12||Yi-Φ(Xi)θi||F2,]]>其中12||Yi-Φ(Xi)θi||F2]]>是第i个子模型所要最小化的目标函数，θⁱ是第i个子模型的目标函数的变量，Φ(Xⁱ)表示训练样本的映射矩阵Φ(X)的子矩阵，即Φ(X)=[Φ(X¹)^T,Φ(X²)^T,…,Φ(Xⁱ)^T,…,Φ(X^N)^T]^T，矩阵Yⁱ表示姿态矩阵Y的子矩阵，即Y=[(Y¹)^T,(Y²)^T,…,(Yⁱ)^T,…,(Y^N)^T]^T，i=1,2,...,N表示第i个子模型；

（6）用N个学习机求解这N个子模型，即用一个学习机求解一个子模型，在求解过程中，N个学习机互相协同得到这N个子模型的公共解θ^c，并将此公共解θ^c作为人体运动跟踪模型θ′=argminθ12||Y-Φ(X)θ||F2]]>的解，即θ′=θ^c；

（7）用测试样本的映射矩阵Φ(X_t)和人体运动跟踪模型的解θ′，计算测试样本所对应的真实三维运动姿态Y_t=Φ(X_t)θ′。

2.根据权利要求1所述的基于分布式学习的人体运动跟踪方法，其中步骤(6)所述的用一个学习机求解一个子模型，在求解过程中，N个学习机互相协同得到这N个子模型的公共解θ^c，按如下步骤进行：

6.1）给定容许梯度误差ε_g>0、容许相对解误差ε_θ>0、影响参数γ>0和关系矩阵其中A是对称矩阵；

6.2）第i个学习机随机给定第i个人体运动跟踪子模型的一个初始解中的每一个元素为（0，1）之间的小数，E表示姿态矩阵Y的列数，L表示训练样本的映射矩阵Φ(X)的列数；

6.3）第i个学习机计算第i个子模型的目标函数在处的梯度g1i=(Yi-Φ(Xi)θ1i)TΦ(Xi);]]>

6.4）第i个学习机将初始解和梯度传递给其他学习机，并接收由其他学习机传递过来的初始解和梯度；

6.5）第i个学习机对步骤6.3）所述的梯度和步骤6.4）接收到的其他学习机的梯度求和再求模，得到模值并计算相对解误差

θ1d=Σi=1N||θ1i-1NΣj=1Nθ1j||F2,]]>其中j为求和符号∑·的中间变量；

6.6）将模值与容许梯度误差ε_g比较，相对解误差与容许相对解误差ε_θ比较，若且则停止流程，并输出公共解否则转步骤6.6）；

6.7）令迭代次数k=1，第i个学习机给定初始解的初始矫正矩阵其中1_E表示1×E的全一向量，I_L表示L×L的单位矩阵，表示矩阵的Kronecker张量积运算；

6.8）第i个学习机计算搜索方向：

dki=[dki(1),dki(2),···,dki(e),···,dki(E)],]]>

其中dki(e)=-Hki(e)Σj=1Ngkj(e)]]>表示搜索方向的第e列，Hki(e)∈RL×L]]>表示矫正矩阵Hki=[Hki(1),Hki(2),···,Hki(e),···,Hki(E)]]]>的第e个子矩阵，表示梯度的第e列，e=1,2,...,E；

6.9）第i个学习机计算相对步长λki=[λki(1),λki(2),···,λki(e),···,λki(E)],]]>

其中λki(e)=(Yi(e))TΦ(Xi)dki(e)-(θki(e))TΦ(Xi)TΦ(Xi)dki(e)(dki(e))TΦ(Xi)TΦ(Xi)dki(e)]]>是相对步长的第e个元素，向量Yⁱ(e)表示姿态矩阵Y的第e列，e=1,2,...,E；

6.10）第i个学习机将相对步长传递给其他学习机，并接收由其他学习机传递来的相对步长；

6.11）第i个学习机计算全局步长其中是全局步长λ_k的第e个元素，e=1,2,...,E；

6.12）第i个学习机根据第k次迭代的解计算第k+1次迭代的解：

θk+1i=[θk+1i(1),θk+1i(2),···,θk+1i(e),···,θk+1i(E)],]]>

其中θk+1i(e)=θkie(e)+λk(e)dki(e)+γΣj≠iαij(θki(e)-θkj(e))]]>是第k+1次迭代的解的第e列，向量是解的第e列，α_ij是关系矩阵A第i行第j列的元素，e=1,2,...,E；

6.13）第i个学习机计算第i个子模型的目标函数在处的梯度gk+1i=(Yi-Φ(Xi)θk+1i)TΦ(Xi);]]>

6.14)第i个学习机将第k+1次迭代的解和梯度传递给其他学习机，并接收由其他学习机传递过来的第k+1次迭代的解和梯度；

6.15）第i个学习机对步骤6.13）所述的梯度和步骤6.14）接收到的其他学习机的梯度求和并求模，得到模值并计算相对解误差θk+1d=Σi=1N||θk+1i-1NΣj=1Nθk+1j||F2;]]>

6.16）将模值相对解误差分别与容许梯度误差ε_g、容许相对解误差ε_θ比较，若且则输出公共解否则令迭代次数k=k+1，并转步骤6.7）；

6.17）第i个学习机更新矫正矩阵Hk+1i=[Hk+1i(1),Hk+1i(2),···,Hk+1i(e),···,Hk+1i(E)]]]>其中Hk+1i(e)=Hki(e)+Δθki(e)(Δθki(e))T(Δθki(e))TΔgki(e)-Hki(e)Δgki(e)(Δgkie)THki(e)(Δgki(e))THki(e)Δgki(e)]]>是矫正矩阵的第e个子矩阵，是解增量矩阵的第e列，是梯度增量矩阵的第e列，Δθki=θk+1i-θki,]]>Δgki=Σj=1Ngk+1j-Σj=1Ngkj,]]>△表示某一量的增量，e=1,2,...,E。