[发明专利]一种基于流形学习与稀疏表示的行人跟踪方法

权利要求书

1.一种基于流形学习与稀疏表示的行人跟踪方法，其特征在于，包括以下步骤：

1)对采集到的视频帧进行彩色到灰度的转换，并缩小到32×32的统一尺寸；

2)在当前帧手动选定要跟踪的行人目标，若车载系统包含行人检测部分，可由行人检测器自动选定跟踪目标x_t，并记录目标的各项参数

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表示旋转角度，s_t表示尺度，a_t表示宽高比，j_t表示斜度；

3)在粒子滤波的框架下，行人跟踪可以求解最大后验概率估计来实现，

x^t=arg max p(yt|xt)p(xt|xt-1)]]>

x_t-1，x_t表示目标在t-1,t帧的状态，y_t表示t帧的目标样本，p(y_t|x_t)称为系统的观测模型，p(x_t|x_t-1)称为系统的运动模型；

4)用目标的6个参数表示状态信息，则运动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为t-1,t帧的状态的联合相关矩；

5)随机生成n个粒子，在t帧构成围绕t-1帧原目标的n个候选样本，表示为

6)采用流形学习中的正交局部保持映射计算每个的目标矩阵E，计算过程分为以下步骤：

步骤一，将原目标样本轻微移变构成目标样本集，计算候选样本与目标样本集的距离加权矩阵W，其每个元素为

wij=exp(-lij2t)]]>

l_ij为第i个候选样本与第j个目标样本的欧式距离，t为常量；

步骤二，采用主成分分解方法计算每个的PCA映射矩阵E_PCA；

步骤三，计算权值矩阵W的对角阵D，得到拉普拉斯矩阵L＝D-W，则正交局部保持映射的映射矩阵为E_OLPP＝[e₁,e₂,…,e_k]，若用Y表示输入数据矩阵，e₁是矩阵(YDY^T)^-1YLY^T的最小奇异值，e_k是矩阵M^k

M^k＝{I-(YDY^T)^-1A^k-1B^k-1(A^k-1)^T}(YDY^T)^-1YLY^T的最小奇异值，A^k-1＝[e₁,…,e_k-1]，B^k-1＝(A^k-1)^T(YDY^T)^-1A^k-1；

步骤四，将PCA映射矩阵E_PCA与正交局部保持映射矩阵E_OLPP相乘构成目标矩阵E；

7)观测模型可以表示成以下稀疏表示问题的求解

minZ,V12||yi-Ezi||2+I||vi||1]]>

其中vⁱ表示误差矩阵，通过迭代优化方法可以求解zⁱ，vⁱ,则观测模型为p(y_t|x_t)＝exp(-||yⁱ-Ezⁱ||²)；

8)对目标矩阵E在连续跟踪过程中进行在线更新，用误差矩阵vⁱ的L1范数除以矩阵的元素数定义目标遮挡率OC，当OC<tr1时，表示遮挡较少，则直接更新目标矩阵E；当tr1<OC<tr2时,表示部分遮挡，则只更新目标矩阵E中未遮挡部分；当OC>tr2时，表示遮挡较多，则不更新当前目标模板；

9)将各候选样本的运动模型和观测模型代入最大后验概率估计表达式，取最大值所对应的样本为下一帧中的目标位置。

2.如权利要求1所述的基于流形学习与稀疏表示的行人跟踪方法，其特征在于5)中n取300-600。