1.一种行人姿势多特征智能辨识方法，其特征在于，包括以下步骤：步骤1：构建行人样本图像数据库；

所述行人样本图像数据库是从路口监控视频中提取连续的行人图像帧，获取三类图像组；

所述三类图像组，分别为不含行人的负样本、包含多个行人的多人样本以及只包含同一行人的单行人样本，每类图像组至少包括300帧图像；

步骤2：对行人样本数据库中的行人图像帧进行预处理，并对预处理后的图像设置行人检测框、行人目标标识以及行人位置标签向量；

所述行人检测框是行人图像帧中行人轮廓的最小外接矩形；

所述行人目标标识是所有行人图像帧中出现的不同行人的唯一标识P；

所述行人位置标签向量的表达形式为[t，x，y，a，b]，t表示当前行人图像帧属于监控视频中的第t帧，x和y分别表示行人图像帧中的行人检测框的左下角的横坐标和纵坐标，a和b分别表示行人检测框长和宽；

步骤3：构建基于极限学习机的行人检测模型；

以行人样本数据库中行人图像帧经过预处理后的图像作为输入数据，对应的行人位置标签向量和行人数量作为输出数据，对极限学习机进行训练，得到基于极限学习机的行人检测模型；

所述极限学习机的输入层节点个数为输入图像的像素点个数s，隐含层小波元个数为

2s‑1，输出层节点个数为5Pe，Pe为输入图像中的最大行人数量，训练过程中的最大迭代次数设置为2000，训练学习率为0.01，阈值为0.00005；

步骤4：构建基于BP神经网络的行人跟踪模型；

依次将经过预处理的相邻两帧图像中的行人跟踪检测图和利用基于极限学习机的行人检测模型提取的对应行人位置标签向量作为输入层数据，以前一帧行人图像中的行人在后一帧行人图像中的跟踪结果为输出层数据，对BP神经网络模型进行训练，获得基于BP神经网络的行人跟踪模型；

所述前一帧行人图像中的行人在后一帧行人图像中的出现结果是指如果前一帧行人图像中的行人，在后一帧行人图像中出现，则该行人的跟踪结果为1，否则为0；若行人跟踪结果为1，则将后一帧行人图像中出现的对应行人位置标签向量添加至行人轨迹中，所述行人轨迹的初始值为在监控视频中第一次出现在图像中的行人位置标签向量；

步骤5：行人轨迹实时跟踪辨识；

从实时监控视频中，依次提取两帧相邻的行人图像，输入所述基于极限学习机的行人检测模型中，进行两帧图像中行人位置标签向量和行人数量的检测，然后将两帧图像中的行人跟踪检测图输入所述基于BP神经网络的行人跟踪模型，对前一帧行人图像中出现的行人进行行人轨迹跟踪，得到监控视频中，所有行人的跟踪轨迹。

2.根据权利要求1所述的方法，其特征在于，对行人样本图像和实时采集的监控图像进行以下预处理：

步骤A1：对从路口监控视频中提取的图像帧进行统一尺寸裁剪；

步骤A2：对裁剪后的图像进行灰度化处理，再采用Gamma校正法调节图像对比度；

步骤A3：提取经过对比度调节后的图像的方向梯度直方图特征，并采用PCA对方向梯度直方图特征进行降维处理；

步骤A4：利用降维后的方向梯度直方图特征与设定的方向梯度直方图阈值，提取超过设定的方向梯度直方图阈值的降维后的方向梯度直方图特征，获得对应的行人区域；

步骤A5：对行人区域进行平滑去噪处理，并提取最大连通域作为行人轮廓区域；

步骤A6：以行人轮廓区域的最大宽度和最大高度，作为行人检测框的宽度和高度。

3.根据权利要求1所述的方法，其特征在于，使用鸡群算法对基于极限学习机的行人检测模型中的极限学习机的权值和阈值进行优化，具体步骤如下：步骤B1：将鸡群个体位置作为极限学习机的权值和阈值，初始化参数；

种群规模M＝[50,200]，搜索空间维数为j，j的值为所需优化极限学习机的权值和阈值的参数个数之和，最大迭次数T＝[500,800]，迭代次数为t，初始值为0，公鸡比例Pg＝20％，母鸡比例Pm＝70％，小鸡比例Px＝10％，从母鸡中随机选择母代母鸡，比例Pd＝10％；

步骤B2：设置适应度函数，并令迭代次数t＝1；

依次将鸡群个体位置对应的权值和阈值代入基于极限学习机的行人检测模型中，并利用鸡群个体位置确定的基于极限学习机的行人检测模型，对输入图像中的的行人的标签向量进行检测，将输入图像中包含的所有行人标签向量的检测值与对应的行人标签向量实际值之差的和的绝对值的倒数作为第一适应度函数f1(x)；

步骤B3：构建鸡群子群；

根据所有个体适应度值进行排序，选取适应度值排前M*Pg的鸡群个体判定为公鸡，每只公鸡作为一个子群体的头领；选取适应度值排后M*Px的鸡群个体判定为小鸡；其他鸡群个体判定为母鸡；

将鸡群分为根据公鸡个数划分子群，一个子群包括一只公鸡、若干小鸡和若干母鸡，并且每个小鸡在种群随机选择一只母鸡构建母子关系；

步骤B4：鸡群个体位置更新并计算当前每个个体的适应度；

公鸡位置更新公式：

其中， 表示在第t次迭代中公鸡i个体在j维空间中的位置， 对应该公鸡个体在第

2 2 2

t+1次迭代中新的位置，r(0,σ)为服从均值为0，标准差为σ的正态分布N(0,σ)；

母鸡位置更新公式：

其中， 为在第t次迭代中母鸡g在j维空间的位置， 为在第t次迭代中母鸡g所在子群的唯一公鸡i1个体位置， 为在第t次迭代中母鸡i所在子群之外的随机一只公鸡i2个体位置，rand(0,1)为随机函数，在(0,1)之间均匀随机取值，L1、L2为母鸡i被所在子群和其他子群影响的位置更新系数，L1取值范围[0.3,0.6]，L2取值范围[0.2,0.4]；

小鸡位置更新公式：

其中， 为在第t次迭代中小鸡l在j维空间的位置， 为在第t次迭代中小鸡l对应母子关系的母代母鸡gm个体位置， 为在第t次迭代中小鸡所在子群中唯一公鸡个体位置，ω、α、β分别为小鸡自我更新系数[0.2,0.7]，跟随母代母鸡系数[0.5,0.8]，跟随公鸡系数[0.8,1.5]；

步骤B5：根据适应度函数更新个体最优位置和鸡群全体个体最优位置，判断是否达到最大迭代次数，若满足则退出，否则，令t＝t+1，转入步骤B3，直到满足最大迭代次数，输出最优鸡群个体位置对应的极限学习机的权值与阈值，得到基于极限学习机的行人检测模型。

4.根据权利要求1‑3任一项所述的方法，其特征在于，所述基于BP神经网络行人跟踪模型中的BP神经网络的权值和阈值采用蚁狮算法进行优化，具体步骤如下：步骤C1：将蚁狮群和蚂蚁群中每个个体位置作为基于BP神经网络行人跟踪模型中的BP神经网络的权值和阈值，种群参数初始化；

蚁狮和蚂蚁数量均为N，取值范围为[40,100]，最大迭代次数T，取值范围为[600,

2000]，待优化参数变量的下边界值设置为lb，上边界值设置为ub，所有权值变量的上下边界值为[0.01,0.6]，所有阈值变量的上下边界的取值范围为[0.0001,0.001]；

步骤C2：初始化蚁狮群和蚂蚁群中所有蚁狮和蚂蚁的位置；

蚂蚁和蚁狮的初始位置在搜索空间中随机初始化，公式如下：其中， 为迭代次数为1时第i个个体的位置；rand(0,1)为rand(0,1)为随机函数，在(0,1)之间均匀随机取值；

步骤C3：设置适应度函数，并计算每个个体的适应度，依据适应度值选出精英蚁狮，令迭代次数t＝1；

将蚁狮群和蚂蚁群中每个个体位置对应的惩罚系数和核参数代入基于BP神经网络的行人跟踪模型中，将蚁狮和蚂蚁个体位置确定的基于BP神经网络的行人跟踪模型得到的行人跟踪结果和实际跟踪结果之间差的绝对值的倒数作为第二适应度函数f2(x)；

步骤C4：从蚂蚁群和蚁狮群中选择第二适应度函数值最大的个体为精英蚁狮，接着按照适应度从大到小排列，将前N‑1个选择作为蚁狮，后N个作为蚂蚁；

步骤C5：蚂蚁和蚁狮个体位置更新，计算每个个体的第二适应度函数值；

(1)令蚂蚁个体进行随机游走，并利用边界和采用轮盘赌选取的蚁狮个体位置对随机游走后的蚂蚁个体位置进行归一化处理；

其中，ai和bi对应蚂蚁个体i在整个游走过程中边界的最小值和最大值，cit和dit对应第t次迭代时边界的最小值和最大值，其值受蚁狮位置影响：t t

为第t次迭代时由蚂蚁个体i从蚁狮群中随机选择的蚁狮个体s的位置；ub和lb分别表示在第t次迭代时的上边界和下边界；

(2)蚁狮捕食蚂蚁，更新蚁狮个体位置；

若进行游走后的蚂蚁个体位置大于采用轮盘赌选取的蚁狮个体位置的适应度，则蚁狮捕食该蚂蚁，利用游走后的蚂蚁个体位置替代对应的蚁狮个体位置；

(3)利用更新后的蚁狮个体位置和精英蚁狮位置，更新被捕食蚂蚁的个体位置；

表示经过第t次迭代后得到的被捕食的蚂蚁个体n的位置， 和 分别表示第t次迭代时蚁狮个体s和第t次迭代时的精英蚁狮；

(4)更新蚂蚁游走边界范围；

t t

其中，ub 和lb 分别表示在第t次迭代时的上边界和下边界，ω与当前迭代次数有关，(5)计算所有个体的第二适应度函数值；

步骤C6：判断是否满足最大迭代次数，若不满足，则t＝t+1，返回步骤C4，直到满足最大迭代次数后，以第二适应度函数值最大时对应的精英蚁狮个体位置，确定基于BP神经网络的行人跟踪模型的权值和阈值。