[发明专利]基于并行遗传算法的高精度步态识别方法

摘要

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。

主权项

一种基于并行遗传算法的高精度步态识别方法，其特征在于：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：MSI(x,y,t)=255ifS(x,y,t)=1max[0,MSI(x,y,t-1)-1]otherwise]]>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：E^J+1=(JJ+1)2E^J+(JJ+1)2(2Σj=1J[Cj(J+1)-λKj(J+1)]+EJ+1)=(JJ+1)2E^J+(JJ+1)2(2Σj=1J+1[Cj(J+1)-λKj(J+1)]-E(J+1))]]>其中，E(J+1)表示第J+1个神经网络个体的误差，λ表示可控制的变量，将Cjt和Kjt定义为：Cjt=Σi=1NΣk=1C[(fjk(xi)-yik)(ftk(xi)-yik)]]]>Kjt=Σi=1NΣk=1CΣr=1J[(fjk(xi)-frk(xi))(ftk(xi)-frk(xi))]]]>其中，表示第j个神经网络的第k个输出，是ci的目标表式；神经网络集成是否应该增加新的神经网络个体的决定，由上述递归误差方程式来实现，即若则增加第J+1个神经网络个体；若则放弃第J+1个神经网络个体；S5、通过上述步骤S1‑S4，即可实现高精度的步态识别。