一种基于流形学习与稀疏表示的行人跟踪方法
【专利摘要】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。
【专利说明】-种基于流形学习与稀疏表示的行人跟踪方法
【技术领域】
[0001] 本发明属于智能交通【技术领域】，具体涉及一种基于流形学习与稀疏表示的行人跟 踪方法。
【背景技术】
[0002] 行人跟踪是计算机视觉中的一个重要课题，而且有着现实的应用场合.例如智能 视频监控，智能交通系统、人机交互等.目前主要的跟踪算法大致可以分为3类：1)基于 图像区域的目标跟踪，2)基于前景检测的目标跟踪，3)基于分类器的目标跟踪。基于图像 区域的目标跟踪是指对被跟踪的目标区域提取一些特征例如颜色直方图，或单纯的灰度信 息，然后在后续帧中通过模板匹配或均值漂移等方法找到与初始模板最相似的目标位置。
[0003] 现有技术中存在如下技术问题：上述方法对于目标的描述过于简单、容易受目标 自身形状的改变，或相似背景干扰等因素的影响。基于前景检测的跟踪算法，首先需要进行 背景建模以分割前景，然后利用被跟踪目标的颜色信息或者运动信息进行跟踪.使用背景 建模来检测出运动区域，然后使用粒子滤波等方法，找出最大似然的行人位置。但背景建 模只能应用在摄像头固定的场合，所以该方法不具有通用性。并且目前的前景分割方法容 易受光线变化、阴影等因素的影响，鲁棒性不强。更重要的是，以上两类方法的都没有建立 目标的区分模型，难以应用于现实条件下的行人跟踪。基于分类的目标跟踪方法试图建立 区分模型来克服传统跟踪方法存在的自适应性不足问题，该方法可以较好地自适应背景变 化，其缺陷是可能会发生"漂移"。在线更新分类器是一个自学习的过程，当前的分类器对输 入的样本进行类别标记，然后直接用来更新自身，如果出现错误的标记，分类器便会累积错 误，最终造成跟踪"漂移"。
[0004] 智能交通中的行人跟踪发生在动动环境中，面临着一些更加特殊的问题：1)行人 的外观在运动过程中处于连续变化中，同时极易受到车辆与街道附属物的遮挡；2)车载运 动平台中的行人跟踪应该更加稳定，目标的丢失可能会造成更加严重的后果；3)考虑到移 动嵌入式平台的有限计算能力，追踪算法应该是高效与实时的；为解决上述问题，本发明 在粒子滤波的框架下，通过流行学习和稀疏表示设计了一种行人外观表示模型，有效地克 服了行人外观形变与部分遮挡的影响，实现了一种高效的行人跟踪方法。
【发明内容】
[0005] 本发明目的在于提供一种高效的行人跟踪方法。
[0006] 具体技术方案如下：
[0007] -种基于流形学习与稀疏表示的行人跟踪方法，具体实施步骤如下：
[0008] 1)对采集到的视频帧进行彩色到灰度的转换，并缩小到32X32的统一尺寸；
[0009] 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
[0010] Xt - {xt，yt，qt，st，at，jj
[0011] xt, yt表示x，y方向的偏移，θ t表示旋转角度，St表示尺度，a t表示宽高比，（J)t 表不斜度；
[0012] 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，
[0013] I1 = arg max p(y, (x( )p(%, j ,)
[0014] Xt+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 I xt)称为系统的 观测模型，P (xt I XtJ称为系统的运动模型；
[0015] 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(XtIxw) =NUtlXH, ψ), Ψ为t-l，t中贞的状态的联合相关矩；
[0016] 5)随机生成η个粒子，在t帧构成围绕t-ι帧原目标的η个候选样本，表示为允， i = 1，2, ...η ;
[0017] 6)采用流形学习中的正交局部保持映射计算每个J彳的目标矩阵Ε，允=Εζ(\计算 过程分为以下步骤：
[0018] 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
[0019]
【权利要求】
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，具体实施步骤如下： 1) 对采集到的视频帧进行彩色到灰度的转换，并缩小到32X32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，y"t，Qt，St，at，jt} xt，yt表示x，y方向的偏移，表示旋转角度，st表示尺度，at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， I1=argmax1X,-!) XW，Xt表示目标在t-1，t帧的状态，yt表示t帧的目标样本，p(ytIxt)称为系统的观测 模型，P(xtIXtJ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(xtIXtJ= N(xt，Xh, ￥)，￥为t-1，t中贞的状态的联合相关矩； 5) 随机生成η个粒子，在t巾贞构成围绕t-Ι巾贞原目标的η个候选样本，表示为J彳，i= 1，2,…η; 6) 采用流形学习中的正交局部保持映射计算每个夂的目标矩阵E，M=Eg，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 I1 Wti=cxp(- Iij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ErcA; 步骤三，计算权值矩阵W的对角阵D，4=i/+%f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^p = [ei，e2，…，ek]，若用Y表示输入数据矩阵，ei是矩阵 (YDYt)-1YLYt的最小奇异值，ek是矩阵Mk A#* ={/- 最小奇异值，A1"1= [e" ...，Θη]，ΒΗ =(Ak-1)YYDYV1Ak' 步骤三，将PCA映射矩阵ErcA与正交局部保持映射矩阵Eapp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 η,，备 |丨 /- ￡/Ip+/IIiZjj1 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(-1Iy1-Ez11I2); 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LI范数除以矩 阵的元素数定义目标遮挡率0C，当OCXtrl时，表示遮挡较少，则直接更新目标矩阵E;当 trl〈0C〈tr2时，表示部分遮挡，则只更新目标矩阵E中未遮挡部分；当0C>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后验估计表达式，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η一般取 300-600。
【文档编号】G06T7/20GK104240268SQ201410489737
【公开日】2014年12月24日 申请日期:2014年9月23日 优先权日:2014年9月23日
【发明者】孙锐, 谷明琴, 王海, 王继贞 申请人:奇瑞汽车股份有限公司