[发明专利]一种基于流形学习与稀疏表示的行人跟踪方法

摘要

本发明涉及一种基于流形学习与稀疏表示的行人跟踪方法，通过流形学习的方式，将高维的行人目标数据表示成低维的本质特征，获得目标形变的不变性；通过稀疏表示的方式，将目标与遮挡自动分离，并通过目标模板的在线更新，消除了部分遮挡的影响；采用粒子滤波的方式，对行人运动的非线性有了良好的适应能力，增强了目标跟踪的稳定性。

主权项

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xt，并记录目标的各项参数xt＝{xt,yt,qt,st,at,jt}xt,yt表示x，y方向的偏移，qt表示旋转角度，st表示尺度，at表示宽高比，jt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=argmaxp(yt|xt)p(xt|xt-1)]]>xt‑1，xt表示目标在t‑1,t帧的状态，yt表示t帧的目标样本，p(yt|xt)称为系统的观测模型，p(xt|xt‑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(xt|xt‑1)＝N(xt,xt‑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)]]>lij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EPCA；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EOLPP＝[e1,e2,…,ek]，若用Y表示输入数据矩阵，e1是矩阵(YDYT)‑1YLYT的最小奇异值，ek是矩阵MkMk＝{I‑(YDYT)‑1Ak‑1Bk‑1(Ak‑1)T}(YDYT)‑1YLYT的最小奇异值，Ak‑1＝[e1,…,ek‑1]，Bk‑1＝(Ak‑1)T(YDYT)‑1Ak‑1；步骤四，将PCA映射矩阵EPCA与正交局部保持映射矩阵EOLPP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(yt|xt)＝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。