基于高斯增量降维与流形Boltzmann优化的人体运动形态估计

为了从多视角轮廓图像估计出含空间位置信息的三维人体运动形态,该文提出高斯增量降维与流形Boltzmann优化(GIDRMBO)算法.该算法把表示三维人体运动形态的高维数据分成表示空间位置信息和姿态信息两段子向量后,用高斯增量降维模型(GIDRM)分别对其样本进行降维,建立相应的低维空间及映射关系,然后在相应的低维空间使用流形Boltzmann优化算法来对轮廓匹配目标函数进行优化,从而实现估计.其中,所提算法分别利用了两段子向量样本的低维数据作为先验信息,可较好的避免陷入局部最优区域进行搜索,最终生成与各视角原始运动图像匹配且含空间位置信息的三维人体运动形态.经仿真实验验证,所提算法与常用粒子滤波算法相比,其估计误差小,并且还能起到消除轮廓数据歧义和克服短时遮挡的作用.

一种基于扩展Infomax的自适应学习算法

独立向量分析根据信源统计独立特性对观测信号进行分离运算,扩展Informax算法既能分离超高斯信号,也能分离亚高斯信号,得到广泛的应用。本文基于扩展Info-max算法特点,提出了一种自适应的学习算法,该算法使得学习步长根据信号的代价函数变化而变化,克服了扩展Infomax算法在稳态步长调整过程中的不足,仿真结果证实了该算法的有效性。