基于全局距離的自適應(yīng)LLE方法研究及其在人體行為識(shí)別中的應(yīng)用.pdf

1、人體行為識(shí)別是人工智能與模式識(shí)別領(lǐng)域的一個(gè)重要研究方向，具有極廣泛的應(yīng)用前景。由于人體行為數(shù)據(jù)的高維特性，迫切需要有效的數(shù)據(jù)降維方法對(duì)其處理。傳統(tǒng)的線性算法很難分析人體行為高維數(shù)據(jù)的結(jié)構(gòu)特征及相關(guān)性?；诹餍袑W(xué)習(xí)的局部線性嵌入算法LLE具有計(jì)算復(fù)雜度小，配置參數(shù)少，魯棒性好的優(yōu)點(diǎn)，得到了廣泛應(yīng)用。但是傳統(tǒng)LLE要求采集密集樣本點(diǎn)，且要求樣本點(diǎn)分布平滑均勻。而人體行為數(shù)據(jù)難以采集密度很高的樣本，同時(shí)密度極高的樣本點(diǎn)對(duì)人體行為的區(qū)別度不高，

2、往往增大了計(jì)算復(fù)雜度而達(dá)不到較好的識(shí)別率。因此傳統(tǒng)LLE降維方法應(yīng)用于較稀疏的人體行為數(shù)據(jù)難以達(dá)到優(yōu)良的降維效果?；谝陨戏治?，本文重點(diǎn)做了以下三個(gè)方面的工作：
　　（1）比較了幾種典型線性流形降維方法與非線性流形降維方法，從理論框架著手，重點(diǎn)分析各方法的適用范圍，時(shí)間復(fù)雜度及優(yōu)缺點(diǎn)。為進(jìn)一步改進(jìn)降維方法應(yīng)用于人體行為數(shù)據(jù)打好研究基礎(chǔ)；
　　（2）深入研究了LLE算法選取近鄰的距離優(yōu)化方法后，提出基于全局距離的自適應(yīng)LLE方

3、法，引入全局因子進(jìn)行距離計(jì)算，有效縮短分布稀疏的樣本點(diǎn)的相對(duì)距離，使樣本點(diǎn)變的緊湊。同時(shí)加入全局因子使分布距離差異較大、分布不均勻的樣本點(diǎn)重新布局，整體變得平滑均勻，有效克服了傳統(tǒng)LLE方法不適用于稀疏不均勻分布樣本的缺點(diǎn)。另外，本文提出的方法改進(jìn)了傳統(tǒng)LLE確定嵌入維度的過(guò)程。通過(guò)計(jì)算輸入空間樣本歐氏距離與嵌入空間樣本歐式距離的殘差來(lái)評(píng)估嵌入維度，自適應(yīng)確定人體動(dòng)作流形的本質(zhì)維度，提高了降維效果與計(jì)算性能；
　　（3）通過(guò)綜合比