基于多特征属性的多类别Bagging步态识别方法

摘要

基于多步态特征属性的多类别Bagging步态识别方法，属于模式识别技术领域。该方法用最近邻分类器作为弱分类器，在基于小波包分解和完全主成分分析后的20个步态属性特征集合上，通过将两类属性Bagging方法扩展到多类别来构建集成分类器，进行步态身份鉴别。该方法的步骤包括：预处理、特征提取，最后用最近邻分类原理与MCAB算法相结合的方法对测试样本进行归类。本发明首次采用融合WPD和(2D)²PCA方法来提取并选择步态特征，解决已有基于小波变换的步态识别方法中高频分量丢失或简单采用全部数据所致维数过大问题，具有更高的识别率和视角变化鲁棒性。

主权项

1.一种基于多步态特征属性的多类别Bagging步态识别方法，包括人体步态序列的预处理、特征提取，最后根据最近邻分类原理与基于多步态特征属性的多类别Bagging即MCAB算法相结合，把测试样品归到相应的类中，其特征在于：具体步骤如下：步骤一、预处理对已经背景分离的人体运动目标图像依次进行形态学处理、目标提取、以及图像归一化处理；步骤二、特征提取经过步态周期的检测，建立步态能量图，将步态能量图作为不同步态序列的代表，利用WPD+(2D)²PCA方法计算20个特征的识别率；WPD即二级小波包分解；步骤三、分类识别选择步骤二中识别率大于等于50%的特征作为待重抽样的原始特征集合Attribute Set，利用MCAB算法对测试样本进行最终识别；具体如下（1）在MCAB算法中，首先需要对原始训练实例的属性集合进行n次有放回的重抽样，n为经过步骤二后识别率大于等于50%的属性个数，这n个属性可能会出现多次，有的可能一次也不会出现，由这n个属性构成新的训练实例，再由这些新的训练实例构造弱分类器；（2）利用MCAB算法进行分类识别i：确定重抽样属性的个数n，确定迭代次数T；其中n为识别率大于等于50%的属性的个数，T取值为10~100；ii：For t=1:T 执行以下3步；a）: 从Attribute Set中重抽样n个属性得到属性集A_t，对训练集S中的每个样本，只取A_t中的属性，得到新的属性S_t；b）: 在属性S_t上用1 NN算法训练出基分类器h_t(x)→Y； c）: 计算权值其中，r_t=h_t(x)正确分类的个数减去h_t(x)错误分类的个数；iii：对于任意测试样本x，集成分类器H(x)为：其中，Y为类别集合， y∈Y；t为迭代次数，取值为1…T。