View variation is one of the greatest challenges in the field of gait recognition. Subspace learning approaches are designed to solve this issue by projecting cross-view features into a common subspace before recognition. However, similarity measures are data-dependent, which results in low accuracy when cross-view gait samples are randomly arranged. Inspired by the recent developments of data-driven similarity learning and multi-nonlinear projection, we propose a new unsupervised projection approach, called multi-nonlinear multi-view locality-preserving projections with similarity learning (M2LPP-SL). The similarity information among cross-view samples can be learned adaptively in our M2LPP-SL. Besides, the complex nonlinear structure of original data can be well preserved through multiple explicit nonlinear projection functions. Nevertheless, its performance is largely affected by the choice of nonlinear projection functions. Considering the excellent ability of kernel trick for capturing nonlinear structure information, we further extend M2LPP-SL into kernel space, and propose its multiple kernel version MKMLPP-SL. As a result, our approaches can capture linear and nonlinear structure more precisely, and also learn similarity information hidden in the multi-view gait dataset. The proposed models can be solved efficiently by alternating direction optimization method. Extensive experimental results over various view combinations on the multi-view gait database CASIA-B have demonstrated the superiority of the proposed algorithms.

中文翻译：

---

用于随机交叉视图步态识别的具有相似性学习的多非线性多视图局部保留投影

视图变化是步态识别领域的最大挑战之一。子空间学习方法旨在通过在识别之前将跨视图特征投影到公共子空间来解决这个问题。然而，相似性度量是依赖于数据的，这会导致交叉视图步态样本随机排列时的准确性较低。受数据驱动的相似性学习和多非线性投影的最新发展的启发，我们提出了一种新的无监督投影方法，称为具有相似性学习的多非线性多视图局部保留投影（M2LPP-SL）。跨视图样本之间的相似性信息可以在我们的 M2LPP-SL 中自适应地学习。此外，通过多个显式非线性投影函数可以很好地保留原始数据的复杂非线性结构。尽管如此，其性能很大程度上受非线性投影函数选择的影响。考虑到核技巧捕捉非线性结构信息的出色能力，我们进一步将 M2LPP-SL 扩展到核空间，并提出了其多核版本 MKMLPP-SL。因此，我们的方法可以更精确地捕捉线性和非线性结构，还可以学习隐藏在多视图步态数据集中的相似性信息。提出的模型可以通过交替方向优化方法有效地求解。在多视图步态数据库 CASIA-B 上对各种视图组合的广泛实验结果证明了所提出算法的优越性。考虑到核技巧捕捉非线性结构信息的出色能力，我们进一步将 M2LPP-SL 扩展到核空间，并提出了其多核版本 MKMLPP-SL。因此，我们的方法可以更精确地捕捉线性和非线性结构，还可以学习隐藏在多视图步态数据集中的相似性信息。提出的模型可以通过交替方向优化方法有效地求解。在多视图步态数据库 CASIA-B 上对各种视图组合的广泛实验结果证明了所提出算法的优越性。考虑到核技巧捕捉非线性结构信息的出色能力，我们进一步将 M2LPP-SL 扩展到核空间，并提出了其多核版本 MKMLPP-SL。因此，我们的方法可以更精确地捕捉线性和非线性结构，还可以学习隐藏在多视图步态数据集中的相似性信息。提出的模型可以通过交替方向优化方法有效地求解。在多视图步态数据库 CASIA-B 上对各种视图组合的广泛实验结果证明了所提出算法的优越性。并学习隐藏在多视图步态数据集中的相似性信息。提出的模型可以通过交替方向优化方法有效地求解。在多视图步态数据库 CASIA-B 上对各种视图组合的广泛实验结果证明了所提出算法的优越性。并学习隐藏在多视图步态数据集中的相似性信息。提出的模型可以通过交替方向优化方法有效地求解。在多视图步态数据库 CASIA-B 上对各种视图组合的广泛实验结果证明了所提出算法的优越性。