基于全局距离的自适应LLE方法研究及其在人体行为识别中的应用

摘要

人体行为识别是人工智能与模式识别领域的一个重要研究方向，具有极广泛的应用前景。由于人体行为数据的高维特性，迫切需要有效的数据降维方法对其处理。传统的线性算法很难分析人体行为高维数据的结构特征及相关性。基于流行学习的局部线性嵌入算法LLE具有计算复杂度小，配置参数少，鲁棒性好的优点，得到了广泛应用。但是传统LLE要求采集密集样本点，且要求样本点分布平滑均匀。而人体行为数据难以采集密度很高的样本，同时密度极高的样本点对人体行为的区别度不高，往往增大了计算复杂度而达不到较好的识别率。因此传统LLE降维方法应用于较稀疏的人体行为数据难以达到优良的降维效果。基于以上分析，本文重点做了以下三个方面的工作：
　　（1）比较了几种典型线性流形降维方法与非线性流形降维方法，从理论框架着手，重点分析各方法的适用范围，时间复杂度及优缺点。为进一步改进降维方法应用于人体行为数据打好研究基础；
　　（2）深入研究了LLE算法选取近邻的距离优化方法后，提出基于全局距离的自适应LLE方法，引入全局因子进行距离计算，有效缩短分布稀疏的样本点的相对距离，使样本点变的紧凑。同时加入全局因子使分布距离差异较大、分布不均匀的样本点重新布局，整体变得平滑均匀，有效克服了传统LLE方法不适用于稀疏不均匀分布样本的缺点。另外，本文提出的方法改进了传统LLE确定嵌入维度的过程。通过计算输入空间样本欧氏距离与嵌入空间样本欧式距离的残差来评估嵌入维度，自适应确定人体动作流形的本质维度，提高了降维效果与计算性能；
　　（3）通过综合比较现在主流的几种动作捕捉技术，实验选用目前较为先进的动作捕捉方式光学动作捕捉，完成人体行为数据的采集。将改进后的基于全局距离的自适应LLE方法应用于光学动作捕捉数据完成人体行为识别，实现了较高的识别率。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1研究背景及国内外现状

1.2基于流形学习的降维算法

1.3流形学习面临的问题

1.4本文组织

第二章 基于流形学习的降维方法

2.1线性降维算法

2.2基于流形的非线性降维算法

2.3本章小结

第三章 基于全局距离及自适应确定本质维度的LLE降维方法

3.1 LLE算法

3.2改进距离及本质维度

3.3改进的LLE算法

3.4本章小结

第四章 基于改进的LLE算法的人体行为识别

4.1基于改进的LLE实现人体行为识别

4.2实验结果分析

4.3本章小结

第五章 总结与展望

5.1总结

5.2展望

参考文献

发表论文和科研情况说明

致谢