技術(shù)特征：

1.一種基于空間耦合關(guān)系和歷史模型的目標(biāo)跟蹤方法，其特征在于包括以下步驟：

步驟1、采用多示例學(xué)習(xí)跟蹤算法對跟蹤目標(biāo)建立MIL模型，并在跟蹤的過程中，不斷更新該MIL模型；

步驟2、利用跟蹤目標(biāo)的歷史狀態(tài)，記錄表達(dá)各個不同歷史狀態(tài)的目標(biāo)模型，構(gòu)成一個目標(biāo)模型池；

步驟3、對每個模型分配一權(quán)重因子，針對當(dāng)前幀選擇最佳的目標(biāo)模型并估計目標(biāo)位置；

步驟4、檢測目標(biāo)周邊區(qū)域的關(guān)鍵點，找出與跟蹤目標(biāo)有強耦合關(guān)系的物體，利用空間相關(guān)信息預(yù)測目標(biāo)位置；

步驟5、融合利用最佳模型估計出的目標(biāo)位置和利用空間相關(guān)信息預(yù)測出的目標(biāo)位置，得到最終的目標(biāo)位置。

2.根據(jù)權(quán)利要求1所述的基于空間耦合關(guān)系和歷史模型的目標(biāo)跟蹤方法，其特征在于：所述步驟1的實現(xiàn)方法包括以下步驟：

(1)構(gòu)建Haar特征集F＝{f₁，...，f_d}，該特征集包含有d個特征，選擇出一組圖像塊：并計算每個圖像塊的特征值，得到MIL模型；

(2)利用構(gòu)建的MIL模型估計目標(biāo)位置概率p(y＝1|x)，更新目標(biāo)位置該MIL模型包含一組高斯分類器，采用在線Boost算法構(gòu)建強分類器；

(3)根據(jù)目標(biāo)的新位置，選擇一組正樣本圖像塊和一組負(fù)樣本圖像塊，計算樣本的特征值，更新高斯分類器的均值、方差參數(shù)，從而更新MIL模型。

3.根據(jù)權(quán)利要求1所述的基于空間耦合關(guān)系和歷史模型的目標(biāo)跟蹤方法，其特征在于：所述步驟2的實現(xiàn)方法包括以下步驟：

(1)MIL跟蹤算法利用多個弱分類器構(gòu)建目標(biāo)模型，每個弱分類器利用高斯分布構(gòu)建，包含4個重要的參數(shù)，分別是正負(fù)樣本的均值和方差,參數(shù)矩陣m被用來表示目標(biāo)，如下式所示:

$m=\left[\begin{array}{cccc}{\mathrm{\μ}}_{1p}& {\mathrm{\μ}}_{2p}& \mathrm{...}& {\mathrm{\μ}}_{dp}\\ {\mathrm{\σ}}_{1p}& {\mathrm{\σ}}_{2p}& \mathrm{...}& {\mathrm{\σ}}_{dp}\\ {\mathrm{\μ}}_{1n}& {\mathrm{\μ}}_{2n}& \mathrm{...}& {\mathrm{\μ}}_{dn}\\ {\mathrm{\σ}}_{1n}& {\mathrm{\σ}}_{2n}& \mathrm{...}& {\mathrm{\σ}}_{dn}\end{array}\right]$

其中d表示弱分類器的數(shù)量，μ_*p，μ_*n，σ_*p，σ_*n分別表示正負(fù)樣本的均值和方差，以此構(gòu)建出目標(biāo)模型池M＝{m₁，...，m_n}；

(2)每一幀目標(biāo)模型更新后，得到一個新的參數(shù)矩陣模型表示，矩陣余弦相似度被用來衡量兩個模型的相似度，并根據(jù)相似度的大小，判斷是否需要保存該模型，該矩陣余弦相似度定義如下：

$\mathrm{\ρ}(m_1,m_2)=trace\left(\frac{m_1^T{m}_2}{\left|\right|m_1\left|{|}_F\right|\left|m_2\right|{|}_F}\right)\∈\[-1,1\]$

其中||m₁||_F表示矩陣m₁的F范數(shù)，對于模型m_t-1，若ρ(m_t-1，m)＜θ，則將模型m_t-1保存到模型池中，其中θ是設(shè)置的固定的閾值，判斷模型的相似程度。

4.根據(jù)權(quán)利要求1所述的基于空間耦合關(guān)系和歷史模型的目標(biāo)跟蹤方法，其特征在于：所述步驟3的實現(xiàn)方法包括以下步驟：

(1)、判斷目標(biāo)模型池的大小，若超過了限定值，則刪除目標(biāo)模型池中最相似兩個模型的后者；

(2)、對于第t幀，從構(gòu)建的模型池中選出與當(dāng)前幀最匹配的外觀模型，如下式所示：

$m_t^{*}=m_{\arg {\max }_{i\∈\[1,N+1\]}}\left|\right|c_i\left(x\right)|{|}_{\mathrm{\∞}}$

其中c_i(x)是利用模型m_i計算得到的概率置信圖，N是模型池中模型的數(shù)量，||||_∞表示無窮范數(shù)。

5.根據(jù)權(quán)利要求1所述的基于空間耦合關(guān)系和歷史模型的目標(biāo)跟蹤方法，其特征在于：所述步驟4的實現(xiàn)方法包括以下步驟：

(1)SURF特征被用來檢測目標(biāo)周邊區(qū)域的關(guān)鍵點，將檢測關(guān)鍵點的區(qū)域限制在寬αw和高αh的矩形范圍內(nèi)且不包括目標(biāo)區(qū)域，其中α表示縮放因子，w和h表示目標(biāo)區(qū)域的寬和高，第t幀上檢測關(guān)鍵點按如下公式得到：

$C^t={\{x_i^t,f_i^t,r_i^t=0,n_i^t=0\}}_{i=1}^{N^t}$

其中是關(guān)鍵點的位置，f_i^t是對關(guān)鍵點對應(yīng)的描述子，r_i^t是關(guān)鍵點與目標(biāo)中心位置的相對距離，是指該關(guān)鍵點連續(xù)存在的幀數(shù)，初始化r_i^t和為0；

(2)得到第t幀的一組關(guān)鍵點后，將該組關(guān)鍵點與t-1幀的關(guān)鍵點進行匹配，如果滿足下式，則認(rèn)為匹配成功：

$\frac{d(f_i^t,f_{fn}^{t-1})}{d(f_i^t,f_{sn}^{t-1})}\<\mathrm{\ϵ}$

其中，和分別表示關(guān)鍵點在第t幀中最相似和次相似的關(guān)鍵點；

(3)關(guān)鍵點匹配完成得到一組匹配成功的關(guān)鍵點，對于成功匹配的關(guān)鍵點，更新這些點的相對距離和匹配次數(shù)如下：

r_i^t＝r_j^t-1

$n_i^t=n_j^{t-1}+1$

(4)利用所有匹配次數(shù)的點預(yù)測目標(biāo)位置，認(rèn)為在連續(xù)十幀中都出現(xiàn)的關(guān)鍵點，與目標(biāo)有很強的運動關(guān)聯(lián)性，預(yù)測目標(biāo)位置的公式如下：

$l_t^s=\frac{{\mathrm{\Σ}}_{i=1}^{N_m^t}(x_i^t-r_i^t)}{N_m^t}$

其中是滿足條件所有關(guān)鍵點的個數(shù)。

6.根據(jù)權(quán)利要求1所述的基于空間耦合關(guān)系和歷史模型的目標(biāo)跟蹤方法，其特征在于：所述步驟5采用如下融合公式得到最終的目標(biāo)位置：

$l_t={\mathrm{argmin}}_{l_i\∈L}|l_i-l_t^s|$

其中L是一組候選目標(biāo)位置的集合。