论文部分内容阅读
人脸和步态数据是典型的非线性模型,现有的人脸和步态降维方法主要是线性方法,对信息损耗较大,识别率较低。为此,提出一种人体身份识别的认知物理学方法,将人脸特征和步态特征用数据场进行表征,利用数据间的相互作用和运动实现数据的自组织聚类,以非线性变换的方式实现身份特征数据的降维。用最大势函数值对降维后的样本库进行排序,实现离散点快速检测和样本检测的二分法查找。基于改进的D-S证据论对人脸和步态进行多层融合。实验结果表明,与线性变换的人脸与步态识别方法相比,该方法可提高7%的人体身份识别率,减少40%的识别时间。