[發明專利]一種基于流形學習與稀疏表示的行人跟蹤方法

有效

• 申請號: 201410489737.4
• 申請日: 2014-09-23
• 公開（公告）號: CN104240268B
• 公開（公告）日: 2017-11-14
• 發明（設計）人: 孫銳;谷明琴;王海;王繼貞
• 申請（專利權）人: 奇瑞汽車股份有限公司
• 主分類號: G06T7/20
• 分類號: G06T7/20
• 代理公司: 蕪湖安匯知識產權代理有限公司34107
• 代理人: 朱順利

技術領域

本發明屬于智能交通技術領域，具體涉及一種基于流形學習與稀疏表示的行人跟蹤方法。

背景技術

行人跟蹤是計算機視覺中的一個重要課題，而且有著現實的應用場合。例如智能視頻監控，智能交通系統、人機交互等。目前主要的跟蹤算法大致可以分為3類：1)基于圖像區域的目標跟蹤，2)基于前景檢測的目標跟蹤，3)基于分類器的目標跟蹤。基于圖像區域的目標跟蹤是指對被跟蹤的目標區域提取一些特征例如顏色直方圖，或單純的灰度信息，然后在后續幀中通過模板匹配或均值漂移等方法找到與初始模板最相似的目標位置。

現有技術中存在如下技術問題：上述方法對于目標的描述過于簡單、容易受目標自身形狀的改變，或相似背景干擾等因素的影響?；谇熬皺z測的跟蹤算法，首先需要進行背景建模以分割前景，然后利用被跟蹤目標的顏色信息或者運動信息進行跟蹤。使用背景建模來檢測出運動區域，然后使用粒子濾波等方法，找出最大似然的行人位置。但背景建模只能應用在攝像頭固定的場合，所以該方法不具有通用性。并且目前的前景分割方法容易受光線變化、陰影等因素的影響，魯棒性不強。更重要的是，以上兩類方法的都沒有建立目標的區分模型，難以應用于現實條件下的行人跟蹤?；诜诸惖哪繕烁櫡椒ㄔ噲D建立區分模型來克服傳統跟蹤方法存在的自適應性不足問題，該方法可以較好地自適應背景變化，其缺陷是可能會發生“漂移”。在線更新分類器是一個自學習的過程，當前的分類器對輸入的樣本進行類別標記，然后直接用來更新自身，如果出現錯誤的標記，分類器便會累積錯誤，最終造成跟蹤“漂移”。

智能交通中的行人跟蹤發生在動動環境中，面臨著一些更加特殊的問題：1)行人的外觀在運動過程中處于連續變化中，同時極易受到車輛與街道附屬物的遮擋；2)車載運動平臺中的行人跟蹤應該更加穩定，目標的丟失可能會造成更加嚴重的后果；3)考慮到移動嵌入式平臺的有限計算能力，追蹤算法應該是高效與實時的；為解決上述問題,本發明在粒子濾波的框架下，通過流行學習和稀疏表示設計了一種行人外觀表示模型，有效地克服了行人外觀形變與部分遮擋的影響，實現了一種高效的行人跟蹤方法。

發明內容

本發明目的在于提供一種高效的行人跟蹤方法。

具體技術方案如下：

一種基于流形學習與稀疏表示的行人跟蹤方法，其特征在于，包括以下步驟：

1)對采集到的視頻幀進行彩色到灰度的轉換，并縮小到32×32的統一尺寸；

2)在當前幀手動選定要跟蹤的行人目標，若車載系統包含行人檢測部分，可由行人檢測器自動選定跟蹤目標x_t，并記錄目標的各項參數

x_t＝{x_t,y_t,q_t,s_t,a_t,j_t}

x_t,y_t表示x，y方向的偏移，q_t表示旋轉角度，s_t表示尺度，a_t表示寬高比，j_t表示斜度；

3)在粒子濾波的框架下，行人跟蹤可以求解最大后驗概率估計來實現，

x_t-1，x_t表示目標在t-1,t幀的狀態，y_t表示t幀的目標樣本，p(y_t|x_t)稱為系統的觀測模型，p(x_t|x_t-1)稱為系統的運動模型；

4)用目標的6個參數表示狀態信息，則運動模型可以采用高斯分布建模，p(x_t|x_t-1)＝N(x_t,x_t-1,ψ)，ψ為t-1,t幀的狀態的聯合相關矩；

5)隨機生成n個粒子，在t幀構成圍繞t-1幀原目標的n個候選樣本，表示為

6)采用流形學習中的正交局部保持映射計算每個的目標矩陣E，計算過程分為以下步驟：

步驟一，將原目標樣本輕微移變構成目標樣本集，計算候選樣本與目標樣本集的距離加權矩陣W，其每個元素為

l_ij為第i個候選樣本與第j個目標樣本的歐式距離，t為常量；

步驟二，采用主成分分解方法計算每個的PCA映射矩陣E_PCA；