[发明专利]基于最优判别耦合投影的多视角步态识别方法

权利要求书

1.一种基于最优判别耦合投影的多视角步态识别方法，其特征是：

步骤1，对训练集里多个已知视角的步态视频序列进行行人目标轮廓提取、步态周期检测和步态特征提取；

步骤2，在步骤1提取得到的训练集内多个视角下的步态特征中，选取一个标准视角步态特征，将其余多个视角下的步态特征分别与标准视角步态特征进行联合训练，得到相应的最优判别耦合投影矩阵对，所述标准视角步态特征选取90°视角作为标准视角；具体包括：

以90°视角下的步态特征与0°视角下的步态特征进行联合训练为例，将0°视角下的步态特征和90°视角下的步态特征分别投影到共同的耦合步态特征空间中，通过定义耦合空间中的整体类内相关矩阵和类间关系矩阵，得出耦合空间中的总体均平方距离分解为类内均方距离和类间均方距离之和，其中类内均方距离经变换表示为：

$J^{+}(P_x,P_y)=Tr\left({\left[\begin{array}{c}{P}_x\\ P_y\end{array}\right]}^T\left[\begin{array}{cc}X& \\ & Y\end{array}\right]\left[\begin{array}{cc}\frac{2}{N}{G}_x+\frac{1}{N}(G_{xx}-C_x)& -\frac{2}{N}C\\ -\frac{2}{N}{C}^T& \frac{2}{N}{G}_y+\frac{1}{N}(G_{yy}-C_y)\end{array}\right]{\left[\begin{array}{cc}X& \\ & Y\end{array}\right]}^T\left[\begin{array}{c}{P}_x\\ P_y\end{array}\right]\right)$

其中，P_x和P_y为耦合投影矩阵对，表示90°视角训练样本集合，表示0°视角训练样本集合，N＝2(N_x+N_y)²，N_x为训练集中90°视角下的样本数目，N_y为0°视角下的样本数目；C为集合X和Y之间的相关关系矩阵，C_x和C_y为单个空间的类内关系矩阵，矩阵G_x和G_y都是对角阵，其对角线元素分别为矩阵C的对应行的累加和，及对应列的累加和，矩阵G_xx和G_yy都是对角阵，其对角线元素分别为矩阵C_x和C_y的对应行的累加和，令则J⁺(P_x,P_y)简化表示为：J⁺(P_x,P_y)＝Tr(P^TZΩ⁺Z^TP)，同理得到类间均方距离J^-，最终的目标函数定义为：

$\min J=min\left(\frac{J^{+}}{J^{-}}\right)=\min Tr\left(\frac{P^T{\mathrm{Z\Ω}}^{+}{Z}^{T}P}{P^T{\mathrm{Z\Ω}}^{-}{Z}^{T}P}\right)$

所述的最优判别耦合投影矩阵对P_x和P_y,通过求解泛化特征值问题：EP＝λFP来求解，其中E＝ZΩ⁺Z^T,F＝ZΩ^-Z^T，P为对应D_c个最小特征值的特征向量，D_c为耦合特征空间的维数，按照P＝[P_x P_y]^T的定义，得到对应于数据集合X的变换矩阵P_x，其大小为D_x×D_c，对应于数据集合Y的变换矩阵P_y，其大小为D_y×D_c；

步骤3，对注册集中标准视角的步态视频序列进行行人目标轮廓提取、步态周期检测和步态特征提取；

步骤4，存储由步骤3提取到的标准视角即90°视角下的步态特征、由步骤2计算得出的其余多个已知视角和标准视角间步态特征的最优判别耦合投影矩阵对和不同视角步态特征的均值向量；

步骤5，对测试集中的多个步态视频序列进行行人目标轮廓提取、步态周期检测和步态特征提取；

步骤6，对步骤5提取到的测试集中的步态特征进行视角估计，根据估计到的近似视角选取相应最优判别耦合投影矩阵对；

步骤7，将注册集中标准视角步态特征和测试集中步态特征通过由步骤6选取的最优判别耦合投影矩阵对，投影到具有最优判别能力或最优类可分性的共同耦合步态特征空间中，并在其中进行相似性度量，得到步态识别结果。