[发明专利]基于多图表达的人体动作学习方法

权利要求书

1.一种基于多图表达的人体动作学习方法，其特征在于，包括：

将特征空间分成几个相互独立的子空间，并通过多个图来表示所述子空间；

从每个子空间产生不同的关联矩阵，并且在每个子空间进行谱嵌入；

将这些嵌入缩放连结在一起，为每个信息点得到一个单一表示，以生成特征集合谱多重图FGSM，所述FGSM能从原始的特征空间得到最少的数据丢失；

将FGSM应用于聚类、信息检索和识别算法，以进行人体动作学习。

2.如权利要求1所述的基于多图表达的人体动作学习方法，其特征在于，所述特征空间是高维空间。

3.如权利要求1所述的基于多图表达的人体动作学习方法，其特征在于，所述特征集合能被分成若干个不相交的子集，所有子集之间彼此独立，而子集内部之间彼此依赖。

4.如权利要求1所述的基于多图表达的人体动作学习方法，其特征在于，所述将特征空间分成几个相互独立的子空间，包括：

在一个希尔波特-史密特独立判据HSIC值的关联图上计算每对特征，以通过频谱聚类而得到所述HSIC中，两个随机变量x和y的全部的非线性依赖性。

5.如权利要求4所述的基于多图表达的人体动作学习方法，其特征在于，所述在一个希尔波特-史密特独立判据HSIC值的关联图上计算每对特征，包括：

用以下步骤从有限个(xi,yi)元组中用经验公式估计出来：

ρn(x,y)=1(1-n)2tr(HkxHky)---(2)]]>

其中，Hij＝δ_ij-n^-1，Hi是指HKx，Hj是指HKy，Kx和Ky分别是矢量x和y的矢量积，n是采样的个数。

6.如权利要求5所述的基于多图表达的人体动作学习方法，其特征在于，所述在一个希尔波特-史密特独立判据HSIC值的关联图上计算每对特征，还包括：

由于计算Kx和Ky要花费O(n²)的时间和空间，通过不完全乔里斯基分解来找到Lx和Ly，这样，Kx和Ky用Kx’＝LxLx^T和Ky’＝LyLy^T估计出来，之后，近似的HSIC就按如下计算出来：

ρ_n(x,y)＝tr((Lx^TLy))((Ly^TLx))    (3)

这个计算在O(nf¹卫的时间内完成，其中f是为L所选的列数。

7.如权利要求1所述的基于多图表达的人体动作学习方法，其特征在于，还包括：

得到m个不相交的子空间以后，根据每个子空间分别找到m个的数据组的嵌入，对于每个子空间sm，用如下公式建立一个关联图W：

Wij＝sum(min(Pm(xi),Pm(xj)))    (4)

其中Pm(x)是把x映射到第m个子空间的公式。