基于耦合度量学习的特征级融合方法及在步态识别中的应用
根据耦合度量学习方法能够直接处理不同集合的数据这一特性,将其应用到数据融合领域,提出了一种基于耦合度量学习的特征级融合方法.该方法首先通过增加对原始单个集合中具有相关关系的数据的优化处理,将耦合度量学习方法的目标函数改进成在耦合空间中所有具有相关关系的投影特征均彼此接近,从而使得这些特征的整体分布更满足特征级融合的需求,而后采用串行方式对特征进行融合,最终得到更加有效的特征用来分类识别.将上述方法应用到步态识别中,以解决步态识别中的数据融合问题.采用CASIA(B)步态数据库进行实验分析,结果表明该方法识别效果较好.
图像识别 数据融合 技术创新 耦合度量学习法
王科俊 阎涛 吕卓纹
哈尔滨工程大学自动化学院,哈尔滨150001
国内会议
扬州
中文
7-11
2013-08-01（万方平台首次上网日期，不代表论文的发表时间）