及不同的特征向量数量的情况下的正确分类率CCR (Correct.pdfVIP

北京工业大学工学硕十学位论文 6.3基于PCA的方法 根据特征空间中特征值的能量幅度 特〔征值从大到小排列)，选取了前k个 特征值 (经统计，样本集在前k个轴上的能量占整体能量的98%以上)和其对 应的特征向量来构成特征空间变换矩阵。 然后执行基于主元分析的训练过程，这里以人体的骨骼化模型所提取的特 征为例，使用留一校验规则 (每次留出一个序列，然后训练其余序列，最后计 算留出样本与其它样本的相似性，作出被留出样本的分类判断)来获取识别率 的无偏估计。下面各列表总结了该算法在不同的规范化方法、不同的分类方法 及不同的特征向量数量的情况下的正确分类率CCR(CorrectClassificationRate). (注:方法1:未对步态数据进行规范化:方法2:将第一帧头顶坐标点或左移 到 (50,40)，或右移到 (335,40)，然后将其余图像进行平移相同变化量; 方法3:将第一帧头顶坐标点或左移到 (50,40)，或右移到 3〔35,40)，其余 图像进行平移相同变化量，且区分前腿和后腿;方法 4:将第一帧头顶坐标均 移到 (50,40)，其余图像进行平移相同变化量，均转换成从左向右走，且区分 前腿和后腿。) 表6-I采用各种规范化方法的正确分类率 Table6-1CCRsofdifferentstandardization 规范化方法 分类器 F确分类率 (CCR) 关键点 角度 方法 1 最近邻NN 41.7% 25.0% 方法2 最近邻NN 58.3% 25.0% 方法3 最近邻NN 75.0% 83.3% 方法4 最近邻NN 75.0% 75.0% 表6-2 k一近邻中不同k值与正确分类率 Table6-2CCRsofdifferentk k的不同 规范化方 正确分类率 (CCR) 规范化方 正确分类率 (CCR) 值 法 关键点 }角面 法 关键点 } 角度 马 d 75.0% 83.3% 方法4 75.0% 75.0% 一 自 J 58.3% 66.7% 方法4 83.3% 75.0% - 马 d 75.0% 83.3% 方法4 75.0% 75.0% 第6章 实验及结果分析 表6一3 特证值积累个数与正确分类器 特征值积 规范化方 正确分类率 (CCR) 规范化方 正确分类率 (CCR) 累个数P 法 关键点 角度 法 关键点 角度 1 方法3 33.3% 75.0% 方法4 50.0% 83.3% 2 方法3 66.7% 75.0% 方法4 91.7% 91.7% 3 方法3 75.0%