[发明专利]一种基于人工智能的视频人员跟踪与计数方法

权利要求书

1.一种基于人工智能的视频人员跟踪与计数方法，其特征在于：包括如下步骤：

步骤1：初始化视频帧号n＝1，对第n帧视频对象进行分割得到行人连通域集合计算第j个行人的特征向量和运动向量设置第j个行人的最长未获跟踪匹配次数

行人的特征向量与运动向量的计算方法如下：

第j个行人的特征向量为v_j＝(x_j，y_j，S_j)，其中(x_j，y_j)为p_j的质心坐标，S_j为p_j的面积：

其中，y_h为监控视频图像的高度，N_i和M_i分别为p_j的外接矩形长、宽方向的像素数，f_j(x，y)为p_j的二值化图像：

第j个行人的运动向量为m_j＝(l_j，λ_j)，其中l_j＝l(p_j)为行人的门内外侧标识位，l_j＝0表示门内侧，即楼内，l_j＝1表示门外侧，即楼外；λ_j为第j个行人的最长未获跟踪匹配次数，即λ_j＝λ(p_j)；

步骤2：对第(n+1)帧视频对象分割得到

计算和

步骤3：在P⁽ⁿ⁾中寻找与P⁽ⁿ⁺¹⁾匹配的并设置

对P⁽ⁿ⁺¹⁾中的每个行人都从P_n中寻找能与之跟踪匹配的行人

若匹配成功，则计算人数增量in：(1)若行人由楼内运动至楼外，人数增量为-1；(2)若行人由楼外运动至楼内，人数增量为1；(3)若行人一直在楼内运动，人数增量为0；(4)若行人一直在楼外运动，人数增量为0；

成功获得匹配的p_i的最长未获跟踪匹配次数λ_i都清零；

若匹配成功，还需检查是否满足合并式遮挡的判定条件，若是，则需对in的检测进行补偿；

若匹配失败，则需判断是否为第n帧中某个被遮挡的行人；若满足分散式遮挡的判定条件，则对in进行补偿；否则，视为新出现在监控区域中的行人，并令λ_i＝0；

步骤4：检查P⁽ⁿ⁾中那些未能与P⁽ⁿ⁺¹⁾成功匹配的行人，将这些行人补充到P⁽ⁿ⁺¹⁾中作为缓存，并且将其最长未获跟踪匹配次数加1；若上述行人在第(n+2)帧中得到匹配，则判断发生了间歇式遮挡，in也发生相应的变化；否则，最长未获跟踪匹配次数再次加1，一旦达到阈值，则判断为已离开监控区域；若满足汇聚式遮挡的判定条件，则对in进行补偿；

步骤5：剔除已经离开监控区域的行人和误检测的行人，对于P⁽ⁿ⁺¹⁾的每个行人，检查其最长未获跟踪匹配次数是否超过阈值；

若大于阈值，则认为该行人已离开监控区域，应予舍弃；

否则认为该行人暂时被遮挡，应予保留；

同时，检查该行人的面积是否超过范围，若不在范围内，则认为发生了误检测，也应舍弃；

更新P⁽ⁿ⁺¹⁾；

步骤6：令n＝n+1，跳转到步骤2，直至完成全部视频图像序列的分析；

所述步骤3中的跟踪匹配，具体包括以下步骤：

步骤31：初始化视频帧号n＝1，跟踪器T(W)；

步骤32：把的质心(x_i，y_i)平移到坐标处；平移方式是以质心为中心，将质心平移到在l方向上与质心的D₈距离等于d的像素点，其中d＝5，10；连同共得到第i类的17个样本，标签为i；

步骤33：用所得的样本构成样本集C⁽¹⁾，并训练跟踪器T(W)，确定参数为W₁；

步骤34：检测第(n+1)帧得到P⁽ⁿ⁺¹⁾，设置C⁽ⁿ⁺¹⁾＝C⁽ⁿ⁾；

步骤35：将p_j∈P⁽ⁿ⁺¹⁾输入跟踪器T(W_n)，得到输出；取输出的最大值o_m与上阈值σ₁、下阈值σ₂进行比较，其中σ₁≥σ₂

(1)如果o_m小于下阈值σ₂，则认为p_j在第(n+1)帧为新出现的行人，跟踪匹配失败；把p_j的质心平移到坐标处，其中d＝5，10；连同p_j共得到17个样本，增加到C⁽ⁿ⁺¹⁾作为新的一类样本；

(2)如果o_m大于上阈值σ₁，则认为p_m∈P⁽ⁿ⁾与p_j∈P⁽ⁿ⁺¹⁾是高度匹配的；

(3)如果o_m大于下阈值σ₂而小于上阈值σ₁，则认为p_m∈P⁽ⁿ⁾与p_j∈P⁽ⁿ⁺¹⁾是匹配的，把p_j的质心平移到坐标处，其中d＝5，10；连同p_j共得到17个样本，增加到标签为m的样本集中，此时，若标签为m的样本的数目大于每类样本池容量V，则移除最先进入类标签为m的17个样本；

步骤36：更新样本集，剔除已离开监控区域和误检测的行人的样本，更新分为3种情况：

(1)对于新出现的行人，创建一个新的行人类别；

(2)对于外观特征已经发生了变化的行人，应采集和补充新的样本；在扩充样本时如遇到样本数超过每类样本池容量V的情况，按照“先进先出”的规则更新样本集，即用最新补充的样本替换最早进入样本池的样本，通过实验确定V＝34；

(3)对于已离开监控区和误检测的行人，剔除其所属类别的样本；

经过更新，就得到新的样本集C⁽ⁿ⁺¹⁾；

步骤37：更新跟踪器T(W)的参数：使用C⁽ⁿ⁺¹⁾训练T(W)，确定参数为W_n+1，在训练T(W)时，网络参数的初始值是W_n。