[发明专利]一种基于慢特征分析的多人跟踪方法

权利要求书

1.一种基于慢特征分析的多人跟踪方法，其特征在于，包括如下步骤：

1)采用基于部分的可变形模型方法检测视频中每帧出现的人；

首先通过背景差分，得到每个视频帧的运动区域，然后应用基于部分的人体检测器检测前景中的人体；具体是：

基于可变形模型方法利用根滤波器在检测区域上定位人体的各个部分，人体的最终决策分数由所有的部分滤波器和根过滤器的响应计算；一个含有n个部分的被检人体的模型用n+2维向量(F₀,p₁,...,p_i,...,p_n,b)表示，F₀为根滤波器，代表人体的整体轮廓，p_i为第i个部分，b表示偏置项位置(x₀,y₀)处的检测分数score(x₀,y₀)：

其中，n表示人体部分总数；s(p_i)表示第i个部分的分数：

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个部分滤波器；φ(H,p_i)表示在特征金字塔H级中坐标为(x₀,y₀)处检测窗口特征向量；d_pi表示第i部分实际位置相对于锚点的形变代价；代表形变特征；

2)获取视频中人的运动轨迹的特征向量；

3)将提取的特征向量作为输入，采用增量慢特征分析方法训练每个轨迹片段的个体传递函数，通过个体传递函数提取每个轨迹片段的慢特征；包括：通过非线性函数对轨迹片段的特征空间进行非线性扩展，将慢特征分析转化为线性分析，采用互补的增量主成分分析算法预处理视频数据和顺序输入的特征向量以计算主成分，采用次要成分分析算法处理慢特征提取，最终得到目标函数最优解的线性组合，即每个轨迹片段的慢特征；具体包括：

将提取的特征向量x(t)＝[x₁(t),...,x_D(t)]^T作为输入，采用增量慢特征分析方法训练每个轨迹片段的个体传递函数g(x)＝[g₁(x),...,g_j(x)]^T，通过个体传递函数提取每个轨迹片段的慢特征y(t)＝[y₁(t),...,y_J(t)]^T；包括：

通过非线性函数对轨迹片段的特征空间进行非线性扩展，将慢特征分析转化为线性分析，检测对象的慢特征表示为：y_j(t)＝g_j(x(t))，其中j∈{1,...,J}，通过增量慢特征分析方法找到使输出信号能缓慢变化的瞬时函数g_j(x)；

采用互补的增量主成分分析算法预处理视频数据和顺序输入的特征向量以计算主成分，具体是：

采用对时间的一阶导数平方均值的方法来衡量变化的速率，求解变化速率最慢的优化问题目标函数为：其中表示输出信号y关于时间t的一阶导数，·表示时间平均；考虑瞬时函数g_j(x)被约束为一组非线性函数集h的线性组合，即定义z(t)＝h(x(t))，则目标函数表示为：

为寻找这样的h，对z(t)进行白化处理：使z(t)的协方差矩阵成为一个单位矩阵，即zz^T＝I，同时，白化过程减去了矩阵的平均值，即z＝0，白化矩阵S由主成分分析方法计算得到；

4)采用图匹配方法计算轨迹片段间的匹配分数，得到不同轨迹之间的相似性，其中相似性最大的为最佳匹配的轨迹片段，利用最佳匹配轨迹片段更新个体传递函数，其中，

轨迹片段p与轨迹片段q间匹配分数计算公式为：

其中，D_scale为比例因子，D_scale＝0.1；分数越高，匹配效果越好，选择最佳匹配结果更新个体传递函数g(x)；

5)重复步骤2)～步骤4)，直至视频结束；

6)将最佳匹配轨迹片段融合，得到每个跟踪对象的一个轨迹。

2.根据权利要求1所述的一种基于慢特征分析的多人跟踪方法，其特征在于，步骤2)包括：

(1)利用时间和空间约束，将视频中人的运动轨迹生成一组稳定连续的轨迹片段；

(2)将生成的轨迹片段平均地分割成八个部分，提取每一部分的方向梯度直方图和色度饱和度亮度特征；

(3)将所有八个部分的特征连接成一个特征向量。