Селективно-ковариационным метод локализации, классификации и отслеживания людей в видеопотоках от множества видеокамер

7 / 17

В.В. Девятков, А.Н. Алфимцев, А.Р. Таранян
60 ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. 2016. № 6
Рис. 3. Области, локализованные алгоритмом Виолы — Джонса
Для этого посредством разработанного жадно-
го алгоритма на обучающей выборке была вычис-
лена бинарная маска M размера 60  55 пикселей,
нули в которой обозначают пиксели, которые не
репрезентативны при построении дескриптора, а
единицы — те пиксели, которые следует исполь-
зовать при построении ковариационной матрицы
(рис. 4).
Таким образом, предлагается строить ковари-
ационную матрицу R C области интереса R на ос-
нове векторов признаков лишь тех пикселей, ко-
торым соответствует единица в маске М.
Классификатор. Сопоставление дескрипто-
ров. Для определения «похожести» дескрипторов
двух областей интереса необходимо определить метрику для ковариационных
матриц. В настоящей работе была проанализирована эффективность примене-
ния эвклидовой меры eucl D и меры eigen D , основанной на вычислении обобщен-
ных собственных значений для сравниваемых ковариационных матриц [9].
Для ковариационных матриц 1 2и C С мера eucl D определяется следующим
образом:
       2
1 2 1 2
1 1
, , , .
d d
eucl
i j
D C C C j i C j i
 
  
Вычисление метрики eucl D имеет сложность O( 2 d ).
Метрика eigen D вычисляется следующим образом:
   
2
1 2 1 2
1
, , ,
n
eigen i
i
D C C ln C C

  
Рис. 4. Маска изображения.
Черные пиксели соответствуют
нулям, а белые — единицам