利索-全球专利检索

  1. 登录
  2. 注册
发明公开
CN107103296A 基于完全矫正Boosting和子空间学习算法的步态识别方法 无效 - 驳回

  • 专利标题： 基于完全矫正Boosting和子空间学习算法的步态识别方法
  • 专利标题（英）： Gait identification method based on complete rectification Boosting and subspace learning algorithm
  • 申请号： CN201710262739.3
    申请日： 2017-04-20
  • 公开(公告)号： CN107103296A
    公开(公告)日： 2017-08-29
  • 发明人: 王艳 , 潘沛克 , 何嘉 , 吴锡 , 周激流
  • 申请人： 四川大学
  • 申请人地址： 四川省成都市一环路南一段24号
  • 专利权人： 四川大学
  • 当前专利权人： 四川大学
  • 当前专利权人地址： 四川省成都市一环路南一段24号
  • 代理机构： 北京华仲龙腾专利代理事务所
  • 代理商 李静
  • 主分类号： G06K9/00
  • IPC分类号： G06K9/00 ;  G06K9/62
基于完全矫正Boosting和子空间学习算法的步态识别方法
摘要：
本发明涉及一种基于完全矫正Boosting和子空间学习算法的步态识别方法，其包括：将二维图像数据转换为一维向量数据；利用获得的一维向量建立包含N个样本的d维训练样本集X；构造特征索引集T,令M＝|T|表示集合T的基数，初始权重值um＝1/M；引入软间隔线性规划表达式将求解目的权重向量a的问题转换为形如LPBoost算法的线性规划表达式及其拉格朗日对偶的求解问题；基于集合T以及对应的权重值[um]构造固有图及惩罚图；构造对应图的相似矩阵S及SP，对角矩阵D，DP，及拉普拉斯矩阵L，LP；将Φt表示为一个N维矩阵Ψt的运算表达式；求解Ψl条件下对应的最佳投影矩阵Vl；根据拉格朗日对偶问题的求解更新权重值um的值；进行L轮训练；利用L轮训练后的结果计算得到目的权重向量a＝[a1,...,aL]T；利用最佳投影矩阵经过L轮训练获得投影矩阵集
摘要（英）：

The invention relates to a gait identification method based on a complete rectification Boosting and subspace learning algorithm. The method comprises the following steps of converting two-dimensional image data into one-dimensional vector data; using an acquired one-dimensional vector to establish a d-dimensional training sample set X containing N samples; constructing a characteristic index set T, wherein a formula M=|T| expresses a cardinal number of a set T, and an initial weight value um satisfies the following formula: um=1/M; introducing a soft interval linear programming expression so as to convert a problem of calculating an objective weight vector a into a linear programming expression which is shaped like an LPBoost algorithm and a Lagrange duality solving problem; based on the set T and the corresponding weight value [um], constructing an inherent graph and a punishment graph; constructing similar matrixes S and S

of a corresponding graph, diagonal matrixes D and D

, and Laplacian matrixes L and L

; expressing phi t as an operation expression of an N-dimensional matrix psi t; solving a corresponding optimum projection matrix Vl under a psi l condition; according to solving of a Lagrange duality problem, updating a value of a weight value um; carrying out L rounds of training; using a result after the L rounds of training to calculate and acquire the objective weight vector a which equals to [a1,...,a L]; and using the optimum projection matrix to acquire a projection matrix set via the L rounds of training.

0/0