1.一种基于半监督流形嵌入的人群计数方法，其特征在于，包括训练阶段和测试阶段；

在训练阶段，首先从人群数据集中随机选取训练样本，提取特征，将带有标记和不带标记的训练样本通过半监督流形嵌入模型从特征空间变换到标签空间，再利用特征空间相邻图像之间的结构信息，半监督流形嵌入模型学习标签变换中的线性变换函数，得到训练完毕的半监督流形嵌入模型；在测试阶段，在训练完毕的半监督流形嵌入模型中使用训练阶段学习到的线性变换函数将测试样本从特征空间映射到标签空间，得到一个在标签空间中的矩阵，该矩阵表示样本在相应类别中的概率分布，其中最大概率即代表该样本的人群数目。

2.根据权利要求1所述的一种基于半监督流形嵌入的人群计数方法，其特征在于，具体步骤如下：步骤1、从人群数据集中随机选取包含c个类别的n个训练样本；

步骤2、提取训练样本中的GIST特征X；

步骤3、在训练样本的GIST特征X中，设定前u个样本是被标记的带有标签的，剩下的样m×n本未被标记，设X＝[x1,x2,…,xu,…,xn]∈R 表示训练集，u是带有标签的样本数量，m是样本的维数，n是全部训练样本的数量，对于任意一个标签样本xi，它属于第yi类；

n×c

步骤4、定义一个二值标签矩阵Y∈R ，设定xi的标签是j，矩阵Y中第i行第j列的元素Yij定义为1，否则定义为0；

步骤5、定义一个相似矩阵S，其中元素Sij表示样本对(i，j)之间的相似性；

n×n

步骤6、构造一个对角矩阵D∈R ，它的对角元素是Dii＝∑jSij，其中Sij为步骤5中相似矩阵S的元素；

n×n

步骤7、构造一个拉普拉斯矩阵L∈R ，令L＝D‑S，D为步骤6中的对角矩阵，S为步骤5中的相似矩阵；

步骤8、构造一个对角矩阵U，前u个对角元素λ∞，剩下元素为0；

步骤9、F是类别标签矩阵，W是变换矩阵，使用W即可将测试样本从特征空间转换到标签T空间F中，类别标签矩阵F表示该样本在不同类别的概率分布情况，利用方程W＝(λ1XX +λ‑1 ‑1 T

2I) λ1XF，和F＝(L+U+λ1I) (UY+λ1XW)进行迭代求解，U是步骤8中的对角矩阵，L为步骤7中的拉普拉斯矩阵，λ1和λ2是平衡参数，X为训练样本的GIST特征矩阵，Y为步骤4中的标签矩T阵，X为特征矩阵的转置，I为单位矩阵；

步骤10、当关于步骤9中的W和F的误差函数连续两次求解之间的差值小于0.0001时，得到的预测值F即为最优解，W即为训练的最优转换矩阵，得到训练完毕的半监督流形嵌入模型；

步骤11、提取测试样本的GIST特征X；

‑1

步骤12、在步骤10训练完毕的半监督流形嵌入模型中使用线性变换函数F＝(L+U+λ1I)T(UY+λ1XW)将测试样本从特征空间映射到类别空间中，得到表示该测试样本在不同类别的概率分布情况的矩阵F，其中W为步骤10中训练得到的最优转换矩阵，L为测试样本的拉普拉斯矩阵，U是测试样本的对角矩阵，Y为测试样本的标签矩阵，λ1是平衡参数，I为单位矩阵；

步骤13、在MATLAB中使用MAX函数从步骤12得到的矩阵F中选取类别概率最大值所在的类标签为该样本的预测值，即代表该测试样本中人群的数量。

3.根据权利要求2所述的一种基于半监督流形嵌入的人群计数方法，其特征在于，所述步骤10中的误差函数为：T

其中F为类别标签矩阵F的转置。

4.根据权利要求2所述的一种基于半监督流形嵌入的人群计数方法，其特征在于，所述步骤9的内容具体包括如下：T T

步骤9.1、首先构造一个线性映射函数F＝XW+et+F0＝h(X)+F0，F是类别标签矩阵，W是T变换矩阵，t是一个偏差项，e＝[1,1,…，1]是一个n维的向量，F0是为了评估F和h(X)之间误匹配的误差值；

步骤9.2、为了获取步骤9.1中类别标签矩阵F的最优预测，且为了保持标签的适应性和流形平滑性，构造方程：其中λ1和λ2是

平衡参数，(Fi‑Fj)是二值矩阵之间的差，(FI‑Yi)是二值矩阵和标签之间的差；

步骤9.3、为了寻找步骤9.2的最优解，通过拉格朗日常数法，关于W和F分别对步骤9.2中的构造方程求导，令其等于0，得到W和F的解如下：T ‑1 ‑1 T

W＝(λ1XX+λ2I) λ1XF，F＝(L+U+λ1I) (UY+λ1XW)利用上述关于W和F的方程进行迭代求解。

5.根据权利要求4所述的一种基于半监督流形嵌入的人群计数方法，其特征在于，所述步骤9.2中的构造方程也可以被转换为如下方程：