[发明专利]一种基于压缩特征的行人检测跟踪方法

摘要

本发明提供了基于压缩特征的行人检测跟踪方法，其通过引入误分类代价敏感机制的Gentle Adaboost算法对训练样本集中的正/负样本进行训练，并采用m×n维随机间距稀疏Toeplitz矩阵ΦToep作为投影矩阵对所述跟踪目标的正/负样本进行压缩跟踪并降维处理，并将压缩降维后的正/负样本特征与正/负样本的位置权重共同输入贝叶斯分类器中进行训练，以生成用于区分行人目标和背景的判别函数，在下一帧输入图像中，选择使判别函数取最大值的样本作为新的跟踪目标，以实现对行人目标的检测跟踪。通过本发明，提高了在存在复杂干扰因素的在公共区域中对行人检测的准确性，增强了算法的鲁棒性，尤其适合用行人头部具有遮挡或者其他异常干扰情况对行人进行检测与跟踪。

主权项

一种基于压缩特征的行人检测跟踪方法，其特征在于，包括以下步骤：S1、计算训练样本集中的正/负样本的HOG特征向量，通过引入误分类代价敏感机制的Gentle Adaboost算法对训练样本集中的正/负样本进行训练，得到行人分类器；S2、获取监控区域的视频流图像作为输入图像，并利用行人分类器对输入图像作行人检测，以获得行人区域；S3、以检测到的行人区域作为当前帧输入图像的跟踪目标，在目标领域内采样跟踪目标的正/负样本，并提取跟踪目标的正/负样本的多尺度高维Haar‑like特征向量，并采用m×n维随机间距稀疏Toeplitz矩阵ΦToep作为投影矩阵对所述跟踪目标的正/负样本进行压缩跟踪并降维处理；S4、将压缩降维后的正/负样本特征与正/负样本的位置权重共同输入贝叶斯分类器中进行训练，以生成用于区分行人目标和背景的判别函数，并采用双S形曲线自适应学习更新贝叶斯分类器的参数；S5、在下一帧输入图像中，选择使判别函数取最大值的样本作为新的跟踪目标，以实现对行人目标的检测跟踪。