CN107066984A - 基于子空间集成学习的步态识别算法 - Google Patents
基于子空间集成学习的步态识别算法 Download PDFInfo
- Publication number
- CN107066984A CN107066984A CN201710262740.6A CN201710262740A CN107066984A CN 107066984 A CN107066984 A CN 107066984A CN 201710262740 A CN201710262740 A CN 201710262740A CN 107066984 A CN107066984 A CN 107066984A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- subspace
- weight
- triple
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于子空间集成学习的步态识别算法,包括以下步骤:S1)设计子空间集成学习框架,其包括:输入训练样本和三元组索引集。初始化:给每个训练样本的权重um都为1/M;对于每次迭代,根据图嵌入理论构建本征图G和惩罚图Gp的相似矩阵,然后求出Ψl的特征值并计算出最优投影矩阵Vl,接着计算出hml并将hml带入到约束条件当中,若hml的训练偏差满足约束条件,则循环继续,否则跳出循环,最后根据hml的训练偏差更新权重um;计算出权重矢量a,输出权重矢量a和投影矩阵。S2)构建基于线性判别分析法、边际Fisher分析的三元组集;S3)将子空间集成学习框架扩展到张量子空间集成学习算法;S4)将子空间集成学习框架扩展到基于图像块的局部子空间集成学习算法。
Description
技术领域
本发明属于计算机视觉领域,尤其涉及一种基于子空间集成学习的步态识别算法。
背景技术
步态识别技术在远距离身份识别方面具有巨大的应用的前景,步态识别的目的就是通过对人体运动的图像序列进行分析处理,从而实现对个体的身份识别。一个完整的步态识别技术包括运动检测、周期检测、特征提取、算法识别这四个过程。其中特征提取是影响步态识别精度的关键因素,特征提取的好坏直接决定了最终的识别性能。现有的步态识别算法受着装、视角、负载、路况的影响较大,识别的效率不高。此外,现有的步态识别技术往往只专注于一个子空间,当外部环境变化时,学习一个子空间往往得到的是一个局部最优的判别,从而影响了识别的精度。
例如,在步态识别中,我们得到的数据往往都是高维数据。主成分分析算法其核心思想是在最小均方意义下对获取的数据去线性相关,通过较少数量的特征对原数据进行表示,从而达到降低特征维数的目的。然而,该方法选出的特征子集并不具有判别信息。线性判别分析法其主要作用是通过学习一个线性投影矩阵,使得训练数据在经过该投影矩阵投影后的类间离散度尽量大,同时类内离散度尽量小。二维线性判别分析法能够有效的保留数据的矩阵结构。然而,当训练样本由于着装、视角、负载、路况而产生差异时,这些方法通常获取的是局部最优子空间而不是全局最优子空间。为了解决这个问题,出现了一些子空间集成方法,这些方法通过使用随机采样、boosting算法、聚类技术来联合多个局部线性子空间以达到学习复流形的目的。然而,这些方法通常会产生大量的局部子空间并直接将它们合成,这样做将极大地降低效率。因此,如何提高步态识别的识别精度和识别效率成为了亟待解决的技术问题。
发明内容
针对现有技术之不足,本发明提出了一种基于子空间集成学习的步态识别算法,其包括以下步骤:
S1)设计子空间集成学习框架,其包括:S1.1)输入训练样本X=[x1,x2,...,xN]和三元组索引集
S1.2)初始化:在第一次迭代中,给每个训练样本的权重um都为1/M;
S1.3)对于每次迭代,首先基于三元组索引集τ和权重um,根据图嵌入理论构建本征图G和惩罚图Gp的相似矩阵,然后求出Ψl的特征值并且计算出最优投影矩阵Vl,接着计算出hml并将hml带入到约束条件当中,若hml的训练偏差满足约束条件,则循环继续,否则跳出循环,最后根据hml的训练偏差更新权重um;
S1.4)计算出权重矢量a,输出权重矢量a和投影矩阵{Vt|t=1,...,L};
S2)构建基于线性判别分析法(LDA)、边际Fisher分析(MFA)的三元组集;
S3)将子空间集成学习框架扩展到张量子空间集成学习算法;
S4)将子空间集成学习框架扩展到基于图像块的局部子空间集成学习算法。
根据一个优选实施方式,步骤S2中构建基于线性判别分析法的三元组集包括:通过类内散度矩阵Sb和类间散度矩阵Sw的比值最大化来找出最大判别子空间B:
其中是第C类样本的中心,是所有样本的中心;将类中心M=[m1,m2,...,mC]带入训练器W以获得扩展的训练样本W'=[M,W],基于W'得出基于线性判别分析法的三元组集:
根据一个优选实施方式,步骤S3包括:S3.1)输入训练样本和三元组索引集
S3.2)初始化:在第一次迭代中,给每个训练样本的权重um都为1/M;
S3.3)对于每次迭代,首先基于三元组索引集τ和权重um,根据图嵌入理论构建本征图G和惩罚图Gp的相似矩阵;通过迭代的算出Φl k,k=1,...,n的本征值来求得投影矩阵集接着计算出hml并将hml带入到约束条件当中,若hml的训练偏差满足约束条件,则循环继续,否则跳出循环;最后根据hml的训练偏差更新权重um;
S3.4)计算并输出权重矢量a。输出投影矩阵集{Vt k|k=1,...,n;t=1,...,L}。
根据一个优选实施方式,步骤S4包括:S4.1)输入训练样本X=[x1,x2,...,xN]和三元组索引集
τ={(i,j,k)|xj比xk更加相似于xi};
S4.2)初始化:初始化um为1/M(M=|τ|是τ的基数集);提取基于图像块的局部特征表达式然后归一化特征表达式
S4.3)对于每次迭代,首先基于三元组索引集τ和权重[um],根据图嵌入理论构建本征图Gj和惩罚图的相似矩阵,接着对每个Xj,j=1,...,N',计算出投影矩阵Vj,然后选出最优块kl,保留第l个投影矩阵Vl对应于局部块kl的投影矩阵接着计算出hml并将hml带入到约束条件当中,若hml的训练偏差满足约束条件,则循环继续,否则跳出循环,最后根据hml的训练偏差更新权重um;
S4.4)计算并输出权重矢量a,输出局部块以及对应的投影矩阵
本发明具有以下有益技术效果:
本发明基于子空间学习的步态识别算法,有效地提高了识别的精度。此外,本发明利用完全矫正技术来渐进地学习多个判决子空间以保留对象三元组中分类情况,从而在外部环境变化时也能够保证识别精度。此外,将子空间集成学习框架扩展到基于张量的子空间集成学习框架,从而很好的保留了步态模板的空间信息和频率信息。将子空间集成学习框架扩展到基于块的局部子空间集成学习框架,可以通过迭代选出对识别最有效的局部块,从而获得更加准确的识别效果。
附图说明
图1是基于子空间集成学习算法流程图;
图2是张量子空间集成学习算法流程图。
具体实施方式
下面结合附图及公式对本发明进行详细说明。
如图1所示,为基于子空间集成学习算法流程图,具体步骤如下:
(1)输入一个二维步态模板I,将其按列重新排序成为一个向量其中d是模板I中的像素数。
(2)给出一个训练模板集及其对应的类标签集{ci|ci∈[1,2,...,C],i=1,...,N},其中N是样本的数量、C表示样本有多少类。
(3)构建样本的三元组索引集其中M是τ的基数。
(4)子空间集成学习框架的目的就是通过学习多个子空间,使得对于任何三元组(im,jm,km),和相比,更加接近于可以在数学上将它看做一个如下所示的线性规划问题:
at≥0,t=1,...,l
并且:
其中是一个松弛变量,D>0是一个用来惩罚松弛变量的正则参数,.是,一}组子空间投影矩阵,a=[a1,...,al]T是其对应的权重向量,||·||是范数运算符,F>0是一个调谐参数,
(5)为了求解方程组(1),给出方程组(1)的拉格朗日对偶问题:
其中u=[um]≥0,g≥0,q≥0。拉格朗日对偶(3)在一阶导后原始变量a,ρ等于0,(1)的拉格朗日对偶问题可以写成如下形式:
(6)利用列生成算法,学习投影矩阵Vt的问题可以用以下方程来描述:
方程(5)的目标函数为:
其中tr(·)是一个踪迹运算符。
令矩阵:
其中
(7)为了减少计算成本,利用图嵌入理论构建了两个有向加权图:本征图G={W,S},惩罚图Gp={W,Sp}。和分别表示图G,Gp的相似矩阵。Sij,分别是S,Sp中的元素,其定义如下所示:
因为G,Gp是有向的,S,Sp可以是不对称矩阵。我们定义G的一个对角矩阵D、拉普拉斯矩阵L,Gp的一个对角矩阵Dp、拉普拉斯矩阵Lp:
其中所以,方程组(7)中的Φt可以写成以下矩阵形式:
(8)当维数d很高时,直接求解d×d矩阵Φt的特征值是很困难的。因此,通过求解一个较小的N×N矩阵的特征值来解得第一个qt特征向量。令其中N<<d,则Ψt的特征向量为:
Ψtv=(LP-FL)WTWv=λv (12)
其中v是Ψt的特征向量,λ是其相应的特征值。在(12)公式两边左乘W,有:
WΨtv=W(LP-FL)WTWv
ΦtWv=λWv (13)
因此,Φt的特征向量v'和对应的特征值λ'为:
v'=Wv,λ'=λ (14)
子空间学习技术在处理高维数据方面具有十分重要的地位。现有的步态识别算法受着装、视角、负载、路况的影响较大,识别的效率不高。此外,现有的步态识别技术往往只专注于一个子空间,当外部环境变化时,学习一个子空间往往得到的是一个局部最优的判别,从而影响识别的精度。本发明利用利用完全矫正技术来渐进地学习多个判决子空间,不仅提高了识别精度,在外部环境变化时也能够保证识别精度。
为了解决由于训练样本过多致使三元组数量过大的问题,可以采用以下三元组构建策略。
1、构建基于线性判别分析法的三元组集:
线性判别分析法通过类内散度矩阵Sb和类间散度矩阵Sw的比值最大化来找出最大判别子空间B:
其中是第C类样本的中心,是所有样本的中心。线性判别分析法使得不同类的中心距离最大,使相同类的每个样本和其类中心距离最小。我们将类中心M=[m1,m2,...,mC]带入训练器W以获得扩展的训练样本W'=[M,W],基于W',得出基于线性判别分析法的三元组集:
2、构建基于边际Fisher分析的三元组集:
基于图嵌入理论,边际Fisher分析用G,Gp的相似矩阵S,Sp来表示类内紧凑性和类间分离性,其边界准则如下:
其中表示在同一类中wi的k1个最近邻的集合,是一组数据对,它表示在中的k2个最近的一对。我们重新定义S,Sp用来保留边际Fisher分析的相似分布:
根据(20)中的S,Sp,对任意的(i,j,k),i,j,k∈[1,2,...N]。若Sij=1,Sij p=1,则选(i,j,k)作为基于边际Fisher分析的三元组集的一个元素。
如图2所示为张量子空间集成学习算法。用张量表示时训练集由训练样本组成,对带有不同权重分布的训练样本进行多线性分析从而找到一组最优矩阵:对于张量数据,将方程组(2)中变量hmt重新定义为:
其中 的目标函数可以表示如下:
s.t.方程(25) (20)
其约束条件就是方程式(25)。大多数情况下对于目标函数没有封闭形式的最优解,可以通过迭代的解得以下目标函数来获得的封闭形式的最优解:
k=1,2,...,n (21)
令矩阵:
通过将子空间集成学习框架扩展到张量子空间集成学习算法,很好地保留了步态模板的空间信息和频率信息。
为了提取出有效的局部特征,将子空间集成学习框架扩展到基于图像块的局部子空间集成学习算法。基于图像块的局部子空间集成学习算法具体如下:将步态图模板I分成N1个不重叠的具有固定大小的图像块。
(1)在行或者列上对选好的图像块的步态特征表式重新排序,以获得基于图像块的局部特征表式其中d'是每一块中的像素数,N'=N1×N2。
(2)对于每个训练样本xi∈X,i=1,...,N,提取出其对应的基于图像块的局部特征表示
(3)选出l块找出对应的基于图像块的局部投影矩阵以及权重向量a=[a1,...,al]T,使得对任意的(im,jm,km)有下式成立:
其中
(4)令变量将方程(23)带入线性规划中进行求解。
基于图像块的局部子空间集成学习算法可以通过迭代选出对识别最有效的局部块,从而获得更加准确的识别效果。利用USF HumanID数据库和CASIA步态数据库进行测试,本发明所提出的算法和现有的步态识别算法相比在识别准确度上应具有较明显的提升。
需要注意的是,上述具体实施例是示例性的,本领域技术人员可以在本发明公开内容的启发下想出各种解决方案,而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白,本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。
Claims (4)
1.一种基于子空间集成学习的步态识别算法,其特征在于,包括以下步骤:
S1)设计子空间集成学习框架,其包括:S1.1)输入训练样本X=[x1,x2,...,xN]和三元组索引集
<mrow>
<mi>&tau;</mi>
<mo>=</mo>
<mo>{</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>i</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mi>j</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mi>k</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msub>
<mi>c</mi>
<msub>
<mi>i</mi>
<mi>m</mi>
</msub>
</msub>
<mo>=</mo>
<msub>
<mi>c</mi>
<msub>
<mi>j</mi>
<mi>m</mi>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>c</mi>
<msub>
<mi>i</mi>
<mi>m</mi>
</msub>
</msub>
<mo>&NotEqual;</mo>
<msub>
<mi>c</mi>
<msub>
<mi>k</mi>
<mi>m</mi>
</msub>
</msub>
<mo>,</mo>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>M</mi>
<mo>}</mo>
<mo>;</mo>
</mrow>
S1.2)初始化:在第一次迭代中,给每个训练样本的权重um都为1/M;
S1.3)对于每次迭代,首先基于三元组索引集τ和权重um,根据图嵌入理论构建本征图G和惩罚图Gp的相似矩阵,然后求出Ψl的特征值并且计算出最优投影矩阵Vl,接着计算出hml并将hml带入到约束条件当中,若hml的训练偏差满足约束条件,则循环继续,否则跳出循环,最后根据hml的训练偏差更新权重um;
S1.4)计算出权重矢量a,输出权重矢量a和投影矩阵{Vt|t=1,...,L};
S2)构建基于线性判别分析法、边际Fisher分析的三元组集;
S3)将子空间集成学习框架扩展到张量子空间集成学习算法;
S4)将子空间集成学习框架扩展到基于图像块的局部子空间集成学习算法。
2.如权利要求1所述的步态识别算法,其特征在于,步骤S2中构建基于线性判别分析法的三元组集包括:通过类内散度矩阵Sb和类间散度矩阵Sw的比值最大化来找出最大判别子空间B:
<mrow>
<mi>B</mi>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mi>B</mi>
</munder>
<mfrac>
<mrow>
<msup>
<mi>B</mi>
<mi>T</mi>
</msup>
<msub>
<mi>S</mi>
<mi>b</mi>
</msub>
<mi>B</mi>
</mrow>
<mrow>
<msup>
<mi>B</mi>
<mi>T</mi>
</msup>
<msub>
<mi>S</mi>
<mi>w</mi>
</msub>
<mi>B</mi>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>S</mi>
<mi>w</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>c</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>C</mi>
</munderover>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>&pi;</mi>
<mi>c</mi>
</msub>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>c</mi>
</msub>
<mo>-</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>c</mi>
</msub>
<mo>-</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
<mrow>
<msub>
<mi>S</mi>
<mi>b</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>c</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>C</mi>
</munderover>
<msub>
<mi>n</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>c</mi>
</msub>
<mo>-</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>c</mi>
</msub>
<mo>-</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
其中是第C类样本的中心,是所有样本的中心;将类中心M=[m1,m2,...,mC]带入训练器W以获得扩展的训练样本W'=[M,W],基于W'得出基于线性判别分析法的三元组集:
<mrow>
<mi>&tau;</mi>
<mo>=</mo>
<mo>{</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>i</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mi>j</mi>
<mi>m</mi>
</msub>
<mo>+</mo>
<mi>C</mi>
<mo>,</mo>
<msub>
<mi>k</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msub>
<mi>i</mi>
<mi>m</mi>
</msub>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>C</mi>
<mo>}</mo>
<mo>,</mo>
<msub>
<mi>j</mi>
<mi>m</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>&pi;</mi>
<msub>
<mi>i</mi>
<mi>m</mi>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>k</mi>
<mi>m</mi>
</msub>
<mo>&NotEqual;</mo>
<msub>
<mi>i</mi>
<mi>m</mi>
</msub>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>C</mi>
<mo>}</mo>
<mo>}</mo>
<mo>.</mo>
</mrow>
3.如权利要求1所述的步态识别算法,其特征在于,步骤S3包括:
S3.1)输入训练样本和三元组索引集
<mrow>
<mi>&tau;</mi>
<mo>=</mo>
<mo>{</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>i</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mi>j</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mi>k</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msub>
<mi>c</mi>
<msub>
<mi>i</mi>
<mi>m</mi>
</msub>
</msub>
<mo>=</mo>
<msub>
<mi>c</mi>
<msub>
<mi>j</mi>
<mi>m</mi>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>c</mi>
<msub>
<mi>i</mi>
<mi>m</mi>
</msub>
</msub>
<mo>&NotEqual;</mo>
<msub>
<mi>c</mi>
<msub>
<mi>k</mi>
<mi>m</mi>
</msub>
</msub>
<mo>,</mo>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>M</mi>
<mo>}</mo>
<mo>;</mo>
</mrow>
S3.2)初始化:在第一次迭代中,给每个训练样本的权重um都为1/M;
S3.3)对于每次迭代,首先基于三元组索引集τ和权重um,根据图嵌入理论构建本征图G和惩罚图Gp的相似矩阵;通过迭代的算出Φl k,k=1,...,n的本征值来求得投影矩阵集接着计算出hml并将hml带入到约束条件当中,若hml的训练偏差满足约束条件,则循环继续,否则跳出循环;最后根据hml的训练偏差更新权重um;
S3.4)计算并输出权重矢量a。输出投影矩阵集{Vt k|k=1,...,n;t=1,...,L}。
4.如权利要求1所述的步态识别算法,其特征在于,步骤S4包括:S4.1)输入训练样本X=[x1,x2,...,xN]和三元组索引集
τ={(i,j,k)|xj比xk更加相似于xi};
S4.2)初始化:初始化um为1/M(M=|τ|是τ的基数集);提取基于图像块的局部特征表达式Xj=[xj 1,xj 2,...,xj N],j=1,...,N',然后归一化特征表达式
S4.3)对于每次迭代,首先基于三元组索引集τ和权重[um],根据图嵌入理论构建本征图Gj和惩罚图的相似矩阵,接着对每个Xj,j=1,...,N',计算出投影矩阵Vj,然后选出最优块kl,保留第l个投影矩阵Vl对应于局部块kl的投影矩阵接着计算出hml并将hml带入到约束条件当中,若hml的训练偏差满足约束条件,则循环继续,否则跳出循环,最后根据hml的训练偏差更新权重um;
S4.4)计算并输出权重矢量a,输出局部块以及对应的投影矩阵
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710262740.6A CN107066984A (zh) | 2017-04-20 | 2017-04-20 | 基于子空间集成学习的步态识别算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710262740.6A CN107066984A (zh) | 2017-04-20 | 2017-04-20 | 基于子空间集成学习的步态识别算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107066984A true CN107066984A (zh) | 2017-08-18 |
Family
ID=59600608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710262740.6A Pending CN107066984A (zh) | 2017-04-20 | 2017-04-20 | 基于子空间集成学习的步态识别算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107066984A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921114A (zh) * | 2018-07-10 | 2018-11-30 | 福州大学 | 基于多非线性局部保持投影的两视角步态识别方法 |
CN109558834A (zh) * | 2018-11-28 | 2019-04-02 | 福州大学 | 一种基于相似度学习及核方法的多视角步态识别方法 |
CN113326898A (zh) * | 2021-06-25 | 2021-08-31 | 江苏大学 | 可鉴别几何保持自适应图嵌入方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629374A (zh) * | 2012-02-29 | 2012-08-08 | 西南交通大学 | 基于子空间投影和邻域嵌入的图像超分辨率重建方法 |
CN102867191A (zh) * | 2012-09-04 | 2013-01-09 | 广东群兴玩具股份有限公司 | 一种基于流形子空间学习的降维方法 |
CN103390103A (zh) * | 2013-07-15 | 2013-11-13 | 浙江大学 | 基于子空间独立成分回归模型的熔融指数在线检测方法 |
CN104537684A (zh) * | 2014-06-17 | 2015-04-22 | 浙江立元通信技术股份有限公司 | 一种静态场景中的实时运动目标提取方法 |
CN104732186A (zh) * | 2013-12-18 | 2015-06-24 | 南京理工大学 | 基于局部子空间稀疏表示的单样本人脸识别方法 |
CN105469359A (zh) * | 2015-12-09 | 2016-04-06 | 武汉工程大学 | 基于局部约束低秩表示的人脸超分辨率重建方法 |
CN105809671A (zh) * | 2016-03-02 | 2016-07-27 | 无锡北邮感知技术产业研究院有限公司 | 前景区域标注与深度次序推理的联合学习方法 |
-
2017
- 2017-04-20 CN CN201710262740.6A patent/CN107066984A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629374A (zh) * | 2012-02-29 | 2012-08-08 | 西南交通大学 | 基于子空间投影和邻域嵌入的图像超分辨率重建方法 |
CN102867191A (zh) * | 2012-09-04 | 2013-01-09 | 广东群兴玩具股份有限公司 | 一种基于流形子空间学习的降维方法 |
CN103390103A (zh) * | 2013-07-15 | 2013-11-13 | 浙江大学 | 基于子空间独立成分回归模型的熔融指数在线检测方法 |
CN104732186A (zh) * | 2013-12-18 | 2015-06-24 | 南京理工大学 | 基于局部子空间稀疏表示的单样本人脸识别方法 |
CN104537684A (zh) * | 2014-06-17 | 2015-04-22 | 浙江立元通信技术股份有限公司 | 一种静态场景中的实时运动目标提取方法 |
CN105469359A (zh) * | 2015-12-09 | 2016-04-06 | 武汉工程大学 | 基于局部约束低秩表示的人脸超分辨率重建方法 |
CN105809671A (zh) * | 2016-03-02 | 2016-07-27 | 无锡北邮感知技术产业研究院有限公司 | 前景区域标注与深度次序推理的联合学习方法 |
Non-Patent Citations (2)
Title |
---|
GUANGKAI MA ET AL.: "A general subspace ensemble learning framework via totally-corrective boosting and tensor-based and local patch-based extensions for gaitrecognition", 《PATTERN RECOGNITION》 * |
GUANGKAI MA ET AL.: "Subspace ensemble learning via totally-corrective boosting for gait", 《NEUROCOMPUTING》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921114A (zh) * | 2018-07-10 | 2018-11-30 | 福州大学 | 基于多非线性局部保持投影的两视角步态识别方法 |
CN108921114B (zh) * | 2018-07-10 | 2021-09-28 | 福州大学 | 基于多非线性局部保持投影的两视角步态识别方法 |
CN109558834A (zh) * | 2018-11-28 | 2019-04-02 | 福州大学 | 一种基于相似度学习及核方法的多视角步态识别方法 |
CN109558834B (zh) * | 2018-11-28 | 2022-06-21 | 福州大学 | 一种基于相似度学习及核方法的多视角步态识别方法 |
CN113326898A (zh) * | 2021-06-25 | 2021-08-31 | 江苏大学 | 可鉴别几何保持自适应图嵌入方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100461204C (zh) | 一种基于二维偏最小二乘法的面部表情识别方法 | |
CN104751191B (zh) | 一种稀疏自适应半监督多流形学习的高光谱影像分类方法 | |
CN107451614B (zh) | 基于空间坐标与空谱特征融合的高光谱分类方法 | |
CN104392246B (zh) | 一种基于类间类内面部变化字典的单样本人脸识别方法 | |
CN107451545B (zh) | 基于软标签下多通道判别非负矩阵分解的人脸识别方法 | |
CN108491849A (zh) | 基于三维稠密连接卷积神经网络的高光谱图像分类方法 | |
CN103093235B (zh) | 一种基于改进距离核主成分分析的手写体数字识别方法 | |
CN107203787A (zh) | 一种无监督正则化矩阵分解特征选择方法 | |
CN104573672B (zh) | 一种基于邻域保持的鉴别嵌入人脸识别方法 | |
CN101833667A (zh) | 一种基于分组稀疏表示的模式识别分类方法 | |
CN103632160A (zh) | 一种融合多尺度形态学特征的组合核函数rvm高光谱分类方法 | |
CN109409438B (zh) | 基于ifcm聚类与变分推断的遥感影像分类方法 | |
CN104299003A (zh) | 一种基于相似规则高斯核函数分类器的步态识别方法 | |
CN106991355A (zh) | 基于拓扑保持的解析型字典学习模型的人脸识别方法 | |
CN107844751A (zh) | 引导滤波长短记忆神经网络高光谱遥感图像的分类方法 | |
CN107066984A (zh) | 基于子空间集成学习的步态识别算法 | |
CN107169500A (zh) | 一种基于邻域粗糙集约减的谱聚类方法及系统 | |
Bai et al. | Achieving better category separability for hyperspectral image classification: A spatial–spectral approach | |
CN103745242A (zh) | 一种跨设备生物特征识别方法 | |
CN105868711A (zh) | 一种基于稀疏低秩的人体行为识别方法 | |
Zhao et al. | Hyperspectral target detection method based on nonlocal self-similarity and rank-1 tensor | |
CN106803105A (zh) | 一种基于稀疏表示字典学习的图像分类方法 | |
CN112800927B (zh) | 一种基于AM-Softmax损失的蝴蝶图像细粒度识别方法 | |
CN107392233A (zh) | 基于解析型字典学习的多模态模式分类方法 | |
CN110287973B (zh) | 一种基于低秩鲁棒线性鉴别分析的图像特征提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170818 |
|
WD01 | Invention patent application deemed withdrawn after publication |