35、基于动作捕捉数据的步态识别中与行走者无关的特征及线性分类器安全与稀疏性研究

基于动作捕捉数据的步态识别中与行走者无关的特征及线性分类器安全与稀疏性研究

基于动作捕捉数据的步态识别

学习变换矩阵算法

算法 LearnTransformationMatrixMMC(GL) 用于学习变换矩阵，具体步骤如下：
1. 将 $G_L = {(g_n, \ell_n)} {n = 1}^{N_L}$ 分割成身份类 ${I_c} {c = 1}^{C_L}$，使得 $g_n, g_{n’} \in I_c \Leftrightarrow \ell_n = \ell_{n’}$，并设置 $p_c$（这里 $p_c = N_c/N_L$）。
2. 计算总体均值 $\mu = \frac{1}{N_L} \sum_{n = 1}^{N_L} g_n$ 和各个类别的均值 $\mu_c = \frac{1}{N_c} \sum_{n = 1}^{N_c} g_n^{(c)}$。
3. 计算 $\Sigma_B = \sum_{c = 1}^{C_L} p_c (\mu_c - \mu) (\mu_c - \mu)^{\top}$。
4. 计算 $X = \frac{1}{\sqrt{N_L}} [(g_1 - \mu) \cdots (g_{N_L} - \mu)]$。
5. 计算 $\Upsilon = [\sqrt{p_1} (\mu_1 - \mu) \cdots \sqrt{p_{C_L}} (\mu_{C_L} - \mu)]$。
6. 通过 $X$ 的奇异值分解（SVD）计算 $\Sigma_T = XX^{\top}$ 的特征向量 $\Omega$ 和对应的特征值 $\Theta$。
7.