技術(shù)特征：

1.一種基于多耦合判別局部塊對齊的跨角度步態(tài)識別方法，其特征在于，該方法包括在線訓(xùn)練和離線測試；

所述在線訓(xùn)練包括如下步驟：

首先，使用主成分分析對不同視角下的步態(tài)能量圖樣本集合分別進行特征提取，構(gòu)造不同視角的步態(tài)能量圖特征；

然后，跨角度尋找同一個人的步態(tài)能量圖特征的同類近鄰與異類近鄰；

之后，構(gòu)造跨角度多耦合判別局部塊對齊的判別函數(shù)，得到所述判別函數(shù)之后，對該判別函數(shù)進行譜分解，得到不同視角的步態(tài)能量圖特征投影矩陣，使得類內(nèi)的散度最小，類間散度最大；

所述離線測試包括如下步驟：

對于給定訓(xùn)練樣本集和待測樣本；首先，通過在線訓(xùn)練由主成分分析方法得到投影矩陣對訓(xùn)練樣本集和待測樣本進行步態(tài)能量圖特征提?。?/p>

然后，通過多耦合判別塊對齊方法得到的一組投影矩陣對上述獲得的步態(tài)能量圖特征分別進行線性映射；

最后，通過基于歐氏距離的最近鄰分類器進行分類識別。

2.根據(jù)權(quán)利要求1所述的一種基于多耦合判別局部塊對齊的跨角度步態(tài)識別方法，其特征在于，所述基于歐氏距離的最近鄰分類器進行分類的方法包括步驟如下：

首先，對所述步態(tài)能量圖特征進行主成分分析，對步態(tài)能量圖特征進行提取，構(gòu)成不同角度的步態(tài)特征數(shù)據(jù)集該不同角度的步態(tài)能量特征數(shù)據(jù)集包含N個屬于不同角度的步態(tài)樣本對即F_θ＝[f_θ1,f_θ2,...,f_θN]∈R^θ×N，

然后，訓(xùn)練尋找一對投影矩陣，多耦合判別局部塊對齊的目的即找到一組投影矩陣將不同角度的步態(tài)能量圖特征映射到一個共同的子空間，即

對于給定的步態(tài)能量圖特征樣本f_θi，根據(jù)樣本集的標(biāo)簽信息，將不同角度的步態(tài)能量圖特征樣本分成兩組：一組是與f_θi屬于同一個人的不同角度的步態(tài)能量圖特征樣本，另一組是與f_θi不屬于同一個人的步態(tài)能量圖特征樣本；

在與x_i屬于同一個人的步態(tài)能量圖特征樣本當(dāng)中，選擇k₁個近鄰樣本，按照近鄰順序進行排列，表示為在與x_i不屬于同一個人的步態(tài)能量圖特征樣本中，選擇k₂個近鄰異構(gòu)樣本，按照近鄰順序進行排列，表示為合并和建立一個新的步態(tài)能量圖樣本f_θi同理，建立樣本f_θi對應(yīng)的不同角度的步態(tài)能量圖特征樣本的局部塊，對于每個新構(gòu)成的步態(tài)能量圖特征樣本，X_i對應(yīng)的映射后共同子空間的步態(tài)能量圖特征轉(zhuǎn)變?yōu)?img id="icf0013" file="FDA0001046326240000029.GIF" wi="700" he="105" img-content="drawing" img-format="GIF" orientation="portrait" inline="no" />Y_i對應(yīng)的映射后共同子空間的步態(tài)能量圖特征轉(zhuǎn)變?yōu)?img id="icf0014" file="FDA00010463262400000210.GIF" wi="700" he="108" img-content="drawing" img-format="GIF" orientation="portrait" inline="no" />Z_i對應(yīng)的映射后共同子空間的步態(tài)能量圖特征轉(zhuǎn)變?yōu)?img id="icf0015" file="FDA00010463262400000211.GIF" wi="700" he="113" img-content="drawing" img-format="GIF" orientation="portrait" inline="no" />在所述共同的子空間中，令同一個人的步態(tài)能量圖特征樣本之間的距離最小，不屬于同一個人的步態(tài)能量圖特征之間的距離最大，即

$\arg \underset{a_i}{\min }\underset{j=1}{\overset{k_1}{\Σ}}\left|\right|a_i-b_{i^j}|{|}^2+\arg \underset{a_i}{\min }\underset{j=1}{\overset{k_1}{\Σ}}||a_i-c_{i^j}|{|}^2+\arg \underset{b_i}{\min }\underset{j=1}{\overset{k_1}{\Σ}}\left|\right|b_i-c_{i^j}|{|}^2---\left(2\right)$

$\arg \underset{a_i}{\max }\underset{j=1}{\overset{k_2}{\Σ}}\left|\right|a_i-{\stackrel{\‾}{b}}_i^j|{|}^2+\arg \underset{a_i}{\max }\underset{j=1}{\overset{k_2}{\Σ}}||a_i-{\stackrel{\‾}{c}}_i^j|{|}^2+\arg \underset{b_i}{\max }\underset{j=1}{\overset{k_2}{\Σ}}\left|\right|b_i-{\stackrel{\‾}{c}}_i^j|{|}^2---\left(3\right)$

通過線性處理形成局部判別式，即

$\begin{array}{c}\arg \underset{a_i}{\min }\[\left(\underset{j=1}{\overset{k_1}{\Σ}}\left|\right|a_i-b_i^j|{|}^2+\underset{j=1}{\overset{k_1}{\Σ}}||a_i-c_i^j|{|}^2\right)-\mathrm{\ζ}\left(\arg \underset{a_i}{\max }\underset{j=1}{\overset{k_2}{\Σ}}\left|\right|a_i-{\stackrel{\‾}{b}}_i^j|{|}^2+\underset{j=1}{\overset{k_2}{\Σ}}||a_i-{\stackrel{\‾}{c}}_i^j|{|}^2\right)\]\\ +\arg \underset{b_i}{\min }\left(\underset{j=1}{\overset{k_1}{\Σ}}\left|\right|b_i-c_i^j|{|}^2-\mathrm{\ζ}\underset{j=1}{\overset{k_2}{\Σ}}||b_i-{\stackrel{\‾}{c}}_i^j|{|}^2\right)\end{array}---\left(4\right)$

在公式(4)中，β是量化因子，β∈[0,1]，同時，定義系數(shù)向量

因此，式(4)化簡為

其中，

W_i＝diag(w_i)；

令則式(6)轉(zhuǎn)化為

J_i(P)＝PTΩ_iP (7)

通過對式(7)進行疊加，整體對齊，表示為

$\begin{array}{c}\arg \underset{P}{min}\underset{i=1}{\overset{N}{\Σ}}tr\left(P^T{\mathrm{\Ω}}_{i}P\right)\\ =\arg \underset{P}{min}tr\left(P^T\right(\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\Ω}}_i\left)P\right)\\ =\arg \underset{P}{min}tr\left(P^T\mathrm{\Ω}P\right)\end{array}---\left(8\right)$

其中，Ω＝[Ω₁,Ω₂,…,Ω_N]，為了唯一的定義P，給式(7)強加約束因子

P^TP＝I，

其中，I是單位矩陣，因此，目標(biāo)函數(shù)被定義為

$\begin{array}{ccc}\arg \underset{P}{min}tr\left(P^T\mathrm{\Ω}P\right)& s.t.& P^{T}P=I\end{array}---\left(9\right)$

由線性理論可知，式(9)轉(zhuǎn)化為廣義特征值求解問題，

Ωp＝λp (10)

其中，λ是廣義特征值；

令p₁,p₂,…,p_d是前d個最小特征值對應(yīng)的特征向量，式(10)的最優(yōu)解為

則訓(xùn)練樣本經(jīng)投影矩陣映射為

$A=P_{\mathrm{\θ}}^{*T}*F_{\mathrm{\θ}}---\left(12\right)$

對于不同角度的其他樣本Y和Z，經(jīng)投影矩陣映射后為

最后，使用最近鄰分類器進行分類。

3.根據(jù)權(quán)利要求1所述的一種基于多耦合判別局部塊對齊的跨角度步態(tài)識別方法，其特征在于，所述基于歐氏距離的最近鄰分類器進行識別的方法包括步驟如下：

給定Gallery樣本給定Probe樣本那么Probe樣本用以下公式進行分類：

π_i其中該式基于訓(xùn)練后的投影矩陣對其中π_i是除了Probe樣本的步態(tài)特征樣本的分類標(biāo)簽。