主要内容:
(1) 建立了自己的步态数据库。(自由方向行走)ADSC-AWD,使用kinect 代替普通的摄像机
(2)提出SRML方法,基于度量学习的稀疏重构算法。最小化类内重构误差,最大化类间重构误差。
(3)实验比较,而且还使用了USF与CASIA数据库比较,验证了方法的好
(4)还做了性别识别,并实验。
下面就其重点SRML方法,以及实验效果做介绍
一、所提方法SRML
(1),预处理:背景减除,抠出人的轮廓,并缩放到同一大小 64*44
(2) C-AGI
与大部分其他方法使用GEI不同,因为行走方向自由,很难判断其步态周期。在论文中,他使用聚类步态序列,K-means方法行不通,使用了文献[10]中的Affinity propagation(AP)算法获得聚类。
(3)SRML
有了C-AGI之后,就参考文献[47](鲁棒人脸识别), 重构误差最小化。本文希望类内重构最小化,类间重构最大化。同时本文还使用了度量学习理论,而不是仅仅使用欧式距离。
所以对于学习到的度量矩阵M,目标函数为:
H 为类内字典(由同一类c,所有样本构成的字典),G为类间字典。 本文希望类内重构误差尽可能小,类间重构误差尽可能大,也就是希望(2)式小,(3)式大。
(2),(3)都为min函数,是求得的最小重构误差,在最小重构误差的基础上,希望(3)的最小重构误差大。也就是最大最小问题。
于是就希望(3)-(2)尽可能大。
这里面有三项是要学习的,M,A,B
这时候使用EM算法来迭代求解。初始先令M为欧式距离矩阵,求解A,B;之后AB基础上再求解合适的M。
A,B的求解方法:
M 的求解:
其等价于
最终SRML的目标函数为求解W的优化问题
其完整算法如下:
(4)分类识别
一个序列中可聚类多个C-AGI,直接对重构误差求和,最小的进行识别。
二、实验
1,身份识别
a,与度量学习方法的比较,由于该文方法使用了误差重构,它是利用点到集合的距离度量,而其他方法只是点到点的距离度量,对于类间距离(视角)变化大的数据更有效
b,与现有步态识别方法比较:现有方法不能很好地获得任意行走方向下的步态特征,所以效果不好。
c,与非度量学习方法的比较:主要与SRC[文献47],都是重构,但本文考虑了学习一个好的度量矩阵,对于分类识别更有效。
d,与不同分类器的比较:主要与NN,和NFS(nearst feature space),由于本文采用重构的方法(类似于[47]效果好于其他)
e,迭代次数的影响:仅需要很少的几步迭代就可以达到稳定的效果
f,成功和识别样例:如果有类似的方向变化,和类似的步态速度,成功可能会更高,如果行走风格,方向,速度大不一样,那么失败的可能性很高。
2,同样用于性别识别,取得不错的效果
3,计算复杂度,训练时间会较其他方法长,但test时间基本一样。(训练主要在线下,所以可以接受)
4,USF,CASIA实验。实验对比分析,说明该文方法是有效的。
三、总结
1,考虑提取更有分辨能力的基于模型的特征
2,步态数据库,使用室外的实验
3,SRML方法用于其他模式识别(如人脸)