[发明专利]基于并行遗传算法的高精度步态识别方法有效
申请号: | 201710701384.3 | 申请日: | 2017-08-16 |
公开(公告)号: | CN107491754B | 公开(公告)日: | 2020-07-31 |
发明(设计)人: | 张福泉;林晓佳 | 申请(专利权)人: | 闽江学院 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62;G06N3/00 |
代理公司: | 福州元创专利商标代理有限公司 35100 | 代理人: | 蔡学俊;丘鸿超 |
地址: | 350108 福建省*** | 国省代码: | 福建;35 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 并行 遗传 算法 高精度 步态 识别 方法 | ||
本发明涉及一种基于并行遗传算法的高精度步态识别方法。首先将应用于集成的候选神经网络泛化,使用了基于分等级公平竞争的并行遗传算法,以此增加网络的多样性;此外,使用一组由HFC‑PGA选择的适当特性来训练每个候选的神经网络;最后,在设计出候选的神经网络后,选择一组个体神经网络,以便将泛化误差最小化,负相关最大化。本发明方法法提高了人体步态识别的准确性和可靠性。
技术领域
本发明涉及一种基于并行遗传算法的高精度步态识别方法。
背景技术
每个人的步态都有特有的特征,取决于一个人的重量、肢体长度、鞋子、姿势以及他们特有的动作[1]。作为一个生物特征,步态的独特优势在于非侵入性、容易在远处获得,甚至可以在低分辨率下进行测量。由于这些原因,在体育训练、医疗卫生、电子游戏等领域,人体步态成为了最近的研究热点。然而,步态识别并不是一个像其他生物识别技术一样可靠的生物特征识别技术[2]。
文献[3]提出了一种遗传算法(GA)优化的BP神经网络分类器,来实现人体下肢运动的步态识别,但该方法对传感器的精度要求较高。文献[4]提出利用平均影响值和概率神经网络来实现步态识别。文献[5]提出了基于负相关神经网络集成的算法,将其用于识别应用领域。没有事先假设输入数据的统计分布,神经网络就可以构造出非线性的决策边界。特别是,它们表示给定数据的隐性知识。然而,单个规模有限的神经网络通常需要不完全地加载一个特定的映射,而且该映射通常泛化得不充分。即使增加单个网络隐藏层的大小和数量,也不一定会提高映射。因此,作为高性能系统发展的一个新方向,神经网络集成可以有效应用于步态识别[6]。
发明内容
本发明的目的在于提供一种基于并行遗传算法的高精度步态识别方法,该方法提高了人体步态识别的准确性和可靠性。
为实现上述目的,本发明的技术方案是:一种基于并行遗传算法的高精度步态识别方法,包括如下步骤,
S1、图像预处理:采用背景减法从图像序列中生产轮廓图像序列,而后进行归一化处理,得到归一化轮廓图像序列;
S2、特征提取:将归一化轮廓图像序列中移动轮廓图像作为步态特征,移动轮廓图像是灰度图像,其像素强度表示像素移动的时态移动历史,具有关键的空间和时间信息,其定义为:
其中,S(x,y,t)为第t帧移动轮廓图像像素点(x,y)处的值,t表示为当前时间或者帧数,x和y分别表示图像水平和垂直方向的坐标,S(x,y,t)=1表示出现新的轮廓区域,最终计算得到的为移动轮廓图像上像素点(x,y)处的灰度值;
对于低维的特征,运用主分量分析,令表示第i个移动轮廓图像,q表示移动轮廓图像像素的数量,通过以下方程式将mi投影到特征空间中:
xi=PTmi=[P1P2...Pp]Tmi
其中,{Pt|t=1,2,...p}表示q维协方差矩阵特征向量集合,对应最大的特征值数量p(p<<q),即低维度移动轮廓图像中特征的数量;xi表示第i个低维度移动轮廓图像,
S3、采用基于分等级公平竞争的并行遗传算法,训练多神经网络;
S4、假设由步骤S3训练的多神经网络构建的神经网络集成,其有J个个体神经网络;若提供另外一个神经网络个体,并且将其增加到集成中,那么新的集成就有J+1个个体神经网络,新神经网络集成所生成的误差由以下递归误差方程式来表达:
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于闽江学院,未经闽江学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201710701384.3/2.html,转载请声明来源钻瓜专利网。
- 上一篇:一种基于背景建模的违章停车检测方法
- 下一篇:用于手势识别的方法及装置