技術(shù)特征：

1.一種基于行人頭肩多目標(biāo)檢測(cè)及跟蹤的統(tǒng)計(jì)方法，其特征在于包括如下步驟：

步驟1：構(gòu)建行人頭肩圖像正、負(fù)樣本數(shù)據(jù)集，并將構(gòu)建的所有正、負(fù)樣本縮放至寬為32像素、高為32像素的樣本圖像；

步驟2：提取步驟1中所有正、負(fù)樣本的HOG特征向量，并對(duì)正、負(fù)樣本設(shè)置標(biāo)簽，正樣本為1，負(fù)樣本為-1，利用所有樣本的HOG特征向量以及標(biāo)簽，對(duì)線性SVM分類器訓(xùn)練，得到一個(gè)能檢測(cè)行人頭肩的SVM分類器；

步驟3：利用混合高斯模型提取運(yùn)動(dòng)前景，并把前景的最小包絡(luò)矩形作為檢測(cè)區(qū)域，記作FG_i區(qū)域，i為每幀圖像中檢測(cè)區(qū)域的標(biāo)號(hào)，i＝1,2,…,n；

步驟4：利用多尺度滑動(dòng)窗口和步驟2中訓(xùn)練好的SVM分類器，檢測(cè)步驟3的FG_i區(qū)域中的行人頭肩目標(biāo)，并加入檢測(cè)隊(duì)列其中表示第t時(shí)刻的第i個(gè)目標(biāo)的行人頭肩；

步驟5：初始化目標(biāo)匹配矩陣M(i,j)為零矩陣，初始化行人統(tǒng)計(jì)計(jì)數(shù)器PredCount＝0，其中i表示當(dāng)前檢測(cè)隊(duì)列中的行人頭肩目標(biāo)的編號(hào)，作為矩陣的行編號(hào)，j表示上一幀檢測(cè)隊(duì)列中的行人頭肩目標(biāo)的編號(hào)，作為矩陣的列編號(hào)；如果前后兩幀之間目標(biāo)關(guān)系滿足：

$\frac{f(R_t^i\⊕R_{t-1}^j)}{f\left(R_{t-1}^j\right)}\≤T---\left(1\right)$

則與為同一個(gè)目標(biāo)并把矩陣中目標(biāo)所在的行和列標(biāo)記為1,f表示計(jì)算目標(biāo)面積的函數(shù)，T表示重合面積百分比閾值，表示取兩個(gè)目標(biāo)區(qū)域的重疊部分；

步驟6：對(duì)于步驟5中目標(biāo)匹配矩陣M(i,j)，矩陣元素值為0的行號(hào)表示當(dāng)前圖像新出現(xiàn)的目標(biāo)；值為0的列號(hào)表示當(dāng)前圖像消失的目標(biāo)；對(duì)于連續(xù)三幀被匹配的目標(biāo)確定為跟蹤目標(biāo)，加入跟蹤隊(duì)列

步驟7：利用步驟4中新檢測(cè)到的目標(biāo)匹配跟蹤隊(duì)列如果滿足公式(1)，則跟蹤隊(duì)列中的目標(biāo)被新目標(biāo)替換；否則，使用基于均值感知哈希粒子濾波對(duì)其跟蹤，并更新跟蹤目標(biāo)的位置和大小。

2.根據(jù)權(quán)利要求1所述的一種基于行人頭肩多目標(biāo)檢測(cè)及跟蹤的統(tǒng)計(jì)方法，其特征在于步驟7中的使用基于均值感知哈希粒子濾波對(duì)其跟蹤具體為：

步驟7.1：縮小尺寸，使用雙線性內(nèi)插法快速去除圖片中的高頻和細(xì)節(jié)，保留低頻部分，將目標(biāo)圖片縮小到8*8的尺寸，一共64個(gè)像素；

步驟7.2：將8*8的圖片轉(zhuǎn)成灰度圖；

步驟7.3：計(jì)算掩碼指示的48個(gè)有效像素的灰度平均值；

步驟7.4：計(jì)算跟蹤目標(biāo)的hash值；

$E=\begin{array}{cccccccc}0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 1& 1& 1& 1& 0& 0\\ 0& 0& 1& 1& 1& 1& 0& 0\\ 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1& 1& 1& 1\end{array}---\left(3\right)$

$AVG={\Σ}_{x=0}^7{\Σ}_{y=0}^7\stackrel{\‾}{G}(x,y)---\left(4\right)$

$h(x,y)=\left\{\begin{array}{cc}1,& \begin{array}{cc}if& \stackrel{\‾}{G}(x,y)\≥AVG\end{array}\\ 0,& otherwise\end{array}\right.---\left(5\right)$

其中，公式(2)表示縮小圖片中的有效像素，G(x,y)表示圖像在(x,y)處的灰度值，公式(3)E表示8*8行人頭肩有效掩碼；公式(4)表示有效像素的平均灰度值，表示行人頭肩的有效像素；由公式(5)計(jì)算hash矩陣串連得到跟蹤目標(biāo)的hash值，AVG表示所有有效像素的平均灰度值；h(x,y)表示hash矩陣在(x,y)處的值；

步驟7.5：計(jì)算跟蹤目標(biāo)模型與預(yù)測(cè)粒子目標(biāo)模型的相似度：

$d(h_I,h_k)=\frac{sum(h_I\⊕h_k)}{48}---\left(7\right)$

${\mathrm{\π}}^{\left(n\right)}=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{d^2}{2{\mathrm{\σ}}^2}}---\left(8\right)$

其中，d表示海明距離，h_I表示跟蹤模型的hash值，h_k表示預(yù)測(cè)目標(biāo)的hash值，π⁽ⁿ⁾表示預(yù)測(cè)粒子目標(biāo)的權(quán)值，sum表示統(tǒng)計(jì)哈希碼中值不為0的個(gè)數(shù)；

步驟7.6：使用蒙特卡羅方法選擇權(quán)值較高的粒子，更新跟蹤目標(biāo)的位置和大小。