[發明專利]一種基于慢特征分析的多人跟蹤方法

有效

• 申請號: 201710287811.8
• 申請日: 2017-04-26
• 公開（公告）號: CN107194950B
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 聶為之;彭文娟;蘇育挺
• 申請（專利權）人: 天津大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06T7/292
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 杜文茹

1.一種基于慢特征分析的多人跟蹤方法，其特征在于，包括如下步驟：

1)采用基于部分的可變形模型方法檢測視頻中每幀出現的人；

首先通過背景差分，得到每個視頻幀的運動區域，然后應用基于部分的人體檢測器檢測前景中的人體；具體是：

基于可變形模型方法利用根濾波器在檢測區域上定位人體的各個部分，人體的最終決策分數由所有的部分濾波器和根過濾器的響應計算；一個含有n個部分的被檢人體的模型用n+2維向量(F₀,p₁,...,p_i,...,p_n,b)表示，F₀為根濾波器，代表人體的整體輪廓，p_i為第i個部分，b表示偏置項位置(x₀,y₀)處的檢測分數score(x₀,y₀)：

其中，n表示人體部分總數；s(p_i)表示第i個部分的分數：

s(p_i)＝F_pi·φ(H,p_i)-d_pi·φ_d(d_x,d_y)

其中，F_pi表示第i個部分濾波器；φ(H,p_i)表示在特征金字塔H級中坐標為(x₀,y₀)處檢測窗口特征向量；d_pi表示第i部分實際位置相對于錨點的形變代價；代表形變特征；

2)獲取視頻中人的運動軌跡的特征向量；

3)將提取的特征向量作為輸入，采用增量慢特征分析方法訓練每個軌跡片段的個體傳遞函數，通過個體傳遞函數提取每個軌跡片段的慢特征；包括：通過非線性函數對軌跡片段的特征空間進行非線性擴展，將慢特征分析轉化為線性分析，采用互補的增量主成分分析算法預處理視頻數據和順序輸入的特征向量以計算主成分，采用次要成分分析算法處理慢特征提取，最終得到目標函數最優解的線性組合，即每個軌跡片段的慢特征；具體包括：

將提取的特征向量x(t)＝[x₁(t),...,x_D(t)]^T作為輸入，采用增量慢特征分析方法訓練每個軌跡片段的個體傳遞函數g(x)＝[g₁(x),...,g_j(x)]^T，通過個體傳遞函數提取每個軌跡片段的慢特征y(t)＝[y₁(t),...,y_J(t)]^T；包括：

通過非線性函數對軌跡片段的特征空間進行非線性擴展，將慢特征分析轉化為線性分析，檢測對象的慢特征表示為：y_j(t)＝g_j(x(t))，其中j∈{1,...,J}，通過增量慢特征分析方法找到使輸出信號能緩慢變化的瞬時函數g_j(x)；

采用互補的增量主成分分析算法預處理視頻數據和順序輸入的特征向量以計算主成分，具體是：

采用對時間的一階導數平方均值的方法來衡量變化的速率，求解變化速率最慢的優化問題目標函數為：其中表示輸出信號y關于時間t的一階導數，·表示時間平均；考慮瞬時函數g_j(x)被約束為一組非線性函數集h的線性組合，即定義z(t)＝h(x(t))，則目標函數表示為：

為尋找這樣的h，對z(t)進行白化處理：使z(t)的協方差矩陣成為一個單位矩陣，即zz^T＝I，同時，白化過程減去了矩陣的平均值，即z＝0，白化矩陣S由主成分分析方法計算得到；

4)采用圖匹配方法計算軌跡片段間的匹配分數，得到不同軌跡之間的相似性，其中相似性最大的為最佳匹配的軌跡片段，利用最佳匹配軌跡片段更新個體傳遞函數，其中，

軌跡片段p與軌跡片段q間匹配分數計算公式為：

其中，D_scale為比例因子，D_scale＝0.1；分數越高，匹配效果越好，選擇最佳匹配結果更新個體傳遞函數g(x)；

5)重復步驟2)～步驟4)，直至視頻結束；

6)將最佳匹配軌跡片段融合，得到每個跟蹤對象的一個軌跡。

2.根據權利要求1所述的一種基于慢特征分析的多人跟蹤方法，其特征在于，步驟2)包括：

(1)利用時間和空間約束，將視頻中人的運動軌跡生成一組穩定連續的軌跡片段；

(2)將生成的軌跡片段平均地分割成八個部分，提取每一部分的方向梯度直方圖和色度飽和度亮度特征；

(3)將所有八個部分的特征連接成一個特征向量。