[发明专利]结合子空间学习与张量神经网络的步态识别方法及系统

权利要求书

1.一种结合子空间学习与张量神经网络的步态识别方法，其特征在于，包括：

获取步态数据，得到步态数据集；

对所述步态数据集中的步态数据进行图像处理，得到剪影图集合；

根据剪影图集合，得到用于表现步态速度和形态的步态能量图；

按照预设的分集规则，将所述剪影图集合分为第一集合和第二集合；

将步态能量图和第一集合的剪影图数据输入第一张量神经网络，得到第一分类结果；

将步态能量图和第二集合的剪影图数据输入第二张量神经网络，得到第二分类结果；所述第一张量神经网络模块和第二张量神经网络模块采用的网络模型为：

其中，g为输出，(e₁,R,e₂)为训练样本，e₁和e₂为输入实体的特征向量，关系类型R对应于训练的网络参数，即网络权重和张量值，为属于类别R的权值，f为tanh激活函数，为张量部分，V_R为和类别有关的权重，b_R为和类别有关的偏置，为一个矩阵，所述矩阵中每个元素均为一个切片，张量神经网络模块的阶数由输入层的张量部分确定；

第一分类结果和第二分类结果进行对比分析，得到识别结果；

其中，将第一集合/第二集合的剪影图数据输入第一张量神经网络/第二张量神经网络之前还包括：基于子空间学习方法，对剪影图数据进行数据维度降低处理操作；所述对剪影图数据进行数据维度降低处理操作之后，还包括：第一张量神经网络/第二张量神经网络将降维后的向量数据形式转化为张量形式，转化模型为：

其中，x,y代表输入量，W为权重张量，T代表数学中的转置操作，是克罗内克积。

2.根据权利要求1所述的步态识别方法，其特征在于，所述对剪影图数据进行数据维度降低处理操作包括：利用图和流形之间的对应关系，可将流形学习算法的目标函数转化为对应图上的矩阵运算，通过求解图上相关矩阵的特征向量来表示低维嵌入坐标。

3.一种结合子空间学习与张量神经网络的步态识别系统，其特征在于，包括：

步态数据模块，用于获取步态数据，得到步态数据集；

剪影图模块，用于对所述步态数据集中的步态数据进行图像处理，得到剪影图集合；

步态能量图模块，用于根据剪影图集合，得到用于表现步态速度和形态的步态能量图；

分集模块，用于按照预设的分集规则，将所述剪影图集合分为第一集合和第二集合；

第一神经网络模块，用于将步态能量图和第一集合的剪影图数据输入第一张量神经网络，得到第一分类结果；

第二神经网络模块，用于将步态能量图和第二集合的剪影图数据输入第二张量神经网络，得到第二分类结果；

所述第一张量神经网络模块和第二张量神经网络模块采用的网络模型为：

其中，g为输出，(e₁,R,e₂)为训练样本，e₁和e₂为输入实体的特征向量，关系类型R对应于训练的网络参数，即网络权重和张量值，为属于类别R的权值，f为tanh激活函数，为张量部分，V_R为和类别有关的权重，b_R为和类别有关的偏置，为一个矩阵，所述矩阵中每个元素均为一个切片，张量神经网络模块的阶数由输入层的张量部分确定；

比对模块，用于对第一分类结果和第二分类结果进行对比分析，得到识别结果；

将第一集合/第二集合的剪影图数据输入第一张量神经网络/第二张量神经网络之前还包括：基于子空间学习方法，对剪影图数据进行数据维度降低处理操作；

所述对剪影图数据进行数据维度降低处理操作之后，还包括：第一张量神经网络/第二张量神经网络将降维后的向量数据形式转化为张量形式，转化模型为：

其中，x,y代表输入量，W为权重张量，T代表数学中的转置操作，是克罗内克积。

4.根据权利要求3所述的步态识别系统，其特征在于，所述第一神经网络模块/第二神经网络模块包括支持向量机模块，所述支持向量机模块用于作为分类器对张量神经网络模块的输出结果进行分类处理。

5.根据权利要求3所述的步态识别系统，其特征在于，所述步态数据集包括拍摄采集的步态视频数据，或者目标步态数据库中的数据。