本发明涉及视觉跟踪领域，具体地，涉及一种目标跟踪方法和一种执行该目标跟踪方法的装置。
背景技术：
：移动目标跟踪已经成为智能
技术领域：
的核心技术之一，在国民经济甚至国防领域中都有着广泛应用。例如，在智能交通系统中，可以通过对移动目标跟踪来对肇事车辆进行自动跟踪监控；在家庭智能娱乐设备中，可以控制对运动人体的自动跟踪；在军事领域中，可以对武器进行精确制导等。在移动目标的跟踪领域，目标的表达方法对算法很重要，甚至在某些场景下会决定跟踪任务的成败。子空间学习是一种常用的目标表达方法，给方法假设跟踪目标存在于一个低维的子空间中，首先在前一帧上对每个候选目标计算表达误差，将表达误差最小的候选目标确定为当前帧上的目标。已经证明，这种方法可以很有效地处理场景光照变化、小幅度目标姿态变化等跟踪难点问题，但是，这种方法对遮挡场景十分敏感。例如，图1(a)中所示的是一种利用子空间法构建目标子空间以对目标进行跟踪的方法中，目标子空间的示意图。如图所示，重建图像时，并不能消除对遮挡物的影响，因此，难以判断被遮挡住的图像是否为跟踪目标。还例如，图1(b)中所示的是一种利用稀疏子空间法构建目标子空间以对目标进行跟踪的方法中，目标子空间的示意图。如图所示，对子空间进行了稀疏处理，但是，重建图像中仍然不能消除遮挡物的影响。因此，如何提供一种对遮挡场景不敏感的目标跟踪方法成为本领域亟待解决的技术问题。技术实现要素：本发明的目的在于提供一种目标跟踪方法和一种执行该目标跟踪方法的装置。所述目标跟踪方法能够对目标进行精确跟踪。为了实现上述目的，作为本发明的一个方面，提供一种目标跟踪方法，其中，所述目标跟踪方法包括：构建目标子空间，包括：构建包括目标图像的特征的样本矩阵；根据所述样本矩阵中各个特征的有效性计算稀疏性诱导矩阵，所述稀疏性诱导矩阵的各个特征为所述样本矩阵中有效性最大的K个特征，其中，K为所述样本矩阵的列数；去除所述样本矩阵中的噪声得到无噪声的样本矩阵；计算表达误差矩阵；使用主成分分析法在所述稀疏性诱导矩阵和所述无噪声的样本矩阵相乘获得的矩阵上学习得到初始子空间；在所述初始子空间的基向量中对应于忽略的干扰特征位置上插入零值，得到所述目标子空间；利用所述目标子空间追踪目标；对所述目标子空间进行在线更新。优选地，根据目标图像各个特征的有效性计算稀疏性诱导矩阵的步骤包括：利用以下公式计算表示所述样本矩阵中两两特征之间的关系的表达矩阵：minZ,E||Z||1+λ||E||1s.t.XT=XTZ+EZii=0;]]>其中，Z∈Rd×d表示两两特征间的关系的矩阵；E为所述表达误差矩阵；λ为权重系数，λ＞0；利用以下公式计算关系矩阵：A=12(|Z|+|ZT|);]]>其中，A为所述关系矩阵；利用以下公式计算所述样本矩阵中的特征的有效性：ϵi=exp(-1μΣj=1,j≠idAij),]]>其中，εi为所述样本矩阵中第i个特征的有效性；μ为指数函数的尺度参数，μ＞0；Aij为所述样本矩阵中第i个特征与第j个特征之间的关系，且Aii＝0，Aij＝Aji≥0。优选地，在所述利用以下公式计算所述样本矩阵中的特征的有效性的步骤中，利用LASSO算法、正交匹配跟踪算法和增强拉格朗日乘子法中的任意一种求解所述样本矩阵中两两特征之间的关系的表达矩阵。优选地，利用所述目标子空间追踪目标的步骤是基于粒子滤波跟踪框架实现的，其中，利用以下公式计算当前帧图像中的候选者成为目标的可能性：Ψ(c)=exp(-1l||∂S(c-m)-QQT(c-m)||22);]]>其中，Ψ(c)为候选者成为目标的可能性；c为候选者的特征；m为去除噪声的样本矩阵Y的均值列向量；l为指数函数的尺度参数，且l＞0；Q为所述目标子空间，其中，Q∈Rd×r。优选地，对所述目标子空间进行在线更新的步骤包括：当已定位目标不超过N个时，则将全部定位得到的目标用于构建所述目标子空间；当已定位的目标超过N个时，利用最近定位N-1个目标以及第一帧定位的目标构建所述目标子空间；每隔M帧重新构建一次所述目标子空间，其中，M和N均为自然数，M＜N，M≥1。作为本发明的另一个方面，提供一种目标跟踪装置，其中，所述目标跟踪装置包括：目标子空间构建模块，所述目标子空间构建模块用于构建目标子空间，所述目标子空间构建模块包括：样本矩阵构建单元，所述样本矩阵构建单元用于构建包括目标图像的特征的样本矩阵；稀疏性诱导矩阵计算单元，所述稀疏性诱导矩阵计算单元用于根据所述样本矩阵中各个特征的有效性计算稀疏性诱导矩阵，所述稀疏性诱导矩阵的各个特征为所述样本矩阵中有效性最大的K个特征，其中，K为所述样本矩阵的列数；噪声去除单元，所述噪声去除单元用于去除所述样本矩阵中的噪声得到无噪声的样本矩阵；误差矩阵计算单元，所述误差矩阵计算单元用于计算表达误差矩阵；学习单元，所述学习单元用于使用主成分分析法在所述稀疏性诱导矩阵和所述无噪声的样本矩阵相乘获得的矩阵上学习得到初始子空间；目标子空间获取单元，所述目标子空间获取单元用于在所述初始子空间的基向量中对应于忽略的干扰特征位置上插入零值，得到所述目标子空间；目标追踪模块，所述目标追踪模块用于利用所述目标子空间追踪目标；在线更新模块，所述在线更新模块用于对所述目标子空间进行在线更新。优选地，所述稀疏性诱导矩阵计算单元用于：利用以下公式计算表示所述样本矩阵中两两特征之间的关系的表达矩阵：minZ,E||Z||1+λ||E||1s.t.XT=XTZ+EZii=0;]]>其中，Z∈Rd×d表示两两特征间的关系的矩阵；E为所述表达误差矩阵；λ为权重系数，λ＞0；利用以下公式计算关系矩阵：A=12(|Z|+|ZT|);]]>其中，A为所述关系矩阵；利用以下公式计算所述样本矩阵中的特征的有效性：ϵi=exp(-1μΣj=1,j≠idAij),]]>其中，εi为所述样本矩阵中第i个特征的有效性；μ为指数函数的尺度参数，μ＞0；Aij为所述样本矩阵中第i个特征与第j个特征之间的关系，且Aii＝0，Aij＝Aji≥0。优选地，所述稀疏性诱导矩阵计算单元用于利用LASSO算法、正交匹配跟踪算法和增强拉格朗日乘子法中的任意一种求解所述样本矩阵中两两特征之间的关系的表达矩阵。优选地，所述目标追踪模块用于基于粒子滤波跟踪框架实现目标追踪，其中，所述目标追踪模块用于利用以下公式计算当前帧图像中的候选者成为目标的可能性：Ψ(c)=exp(-1l||∂S(c-m)-QQT(c-m)||22);]]>其中，Ψ(c)为候选者成为目标的可能性；c为候选者的特征；m为去除噪声的样本矩阵Y的均值列向量；l为指数函数的尺度参数，且l＞0；Q为所述目标子空间，其中，Q∈Rd×r。优选地，所述在线更新模块用于：当已定位目标不超过N个时，则将全部定位得到的目标用于构建所述目标子空间；当已定位的目标超过N个时，利用最近定位N-1个目标以及第一帧定位的目标构建所述目标子空间；每隔M帧重新构建一次所述目标子空间，其中，M和N均为自然数，M＜N，M≥1。在本发明中，构建的初始子空间之后，在所述初始子空间的基向量中对应于忽略的干扰特征位置上插入零值，得到所述目标子空间，相当于将稀疏性施加在目标子空间的基向量上，使所述目标子空间的基向量呈现组稀疏结构。这种组稀疏结构可以使得其对应的目标子空间表达自适应地忽略跟踪中的干扰信息，使得目标子空间的基向量呈现出组稀疏性。测试图像上对应于干扰物的部分被置零，因此，在重建图像的过程中，并不会对遮挡物进行重建，从而提高了目标跟踪的精度。附图说明附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：图1(a)是利用子空间法进行目标重建的示意图；图1(b)是利用稀疏子空间法进行目标重建的示意图；图1(c)是本发明所提供的目标跟踪方法中的目标重建的示意图；图2本发明所提供的目标跟踪方法的流程图；图3(a)至图3(d)是本发明所提供的目标跟踪方法重建图像的原理图；图4是本发明所提供的目标跟踪方法的实现流程图；图5是本发明所提供的目标跟踪装置的模块示意图。附图标记说明100：目标子空间构建模块110：样本矩阵构件单元120：稀疏性诱导矩阵计算单元130：噪声去除单元140：误差矩阵计算单元150：学习单元160：目标子空间获取单元200：目标追踪模块300：在线更新模块具体实施方式以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。在目标跟踪的过程中，之前定位的目标区域可以从其对应的帧图像中切割出来，将这些切割出来的图像块缩放到相同大小的尺度。分别将每一个图像块拉成一个列向量，再将这些列向量排列起来组成一个样本矩阵X。令样本矩阵X∈Rd×N表示具有d个特征的N个样本，使得样本矩阵X的一行对应着一个特征的N次观测，样本矩阵X的列数代表所述样本矩阵X中的特征的个数。本发明中，将那些有利于跟踪的特征称为有效特征，将其他特征称为干扰特征。实施例1图2中所示的是本发明实施例1提供的一种目标跟踪方法的流程图，如图所示，所述目标跟踪方法包括：S100、构建目标子空间，包括：S110、构建包括目标图像的特征的样本矩阵X；S120、根据所述样本矩阵X中各个特征的有效性计算稀疏性诱导矩阵W，所述稀疏性诱导矩阵的各个特征为所述样本矩阵中有效性最大的K个特征，其中，K为所述样本矩阵的列数，其中K≤d；S130、去除所述样本矩阵X中的噪声得到无噪声的样本矩阵Y；S140、计算表达误差矩阵E；S150、使用主成分分析法在所述稀疏性诱导矩阵和所述无噪声的样本矩阵相乘获得的矩阵上学习得到初始子空间；S160、在所述初始子空间的基向量中对应于忽略的干扰特征位置上插入零值，得到所述目标子空间，所述目标子空间的维度r≤K；S200、利用所述目标子空间追踪目标；S300、每隔预定帧数按照上述步骤重新构建所述目标子空间。在步骤S150中，可以利用公式(1)表示所述主成分分析法的过程：minQ,Y,E,S||Y-M-QQT(Y-M)||F2+τ||E||1s.t.X=Y+E,QSTQS=I,QS‾=0,|S|≤K---(1)]]>其中，Y为去除样本矩阵X中的噪声得到无噪声的样本矩阵；矩阵M∈Rd×N为一个平移常量，由N个矩阵Y的均值列向量配列而成；E为稀疏的加性误差；矩阵Q的列表示目标子空间的基向量；集合S为矩阵Q的行支撑(即，非零行的索引集合)；QS为矩阵Q中由集合S索引的行向量组成的矩阵；τ为权重参数，τ>0；K控制矩阵Q的行稀疏性，K＞0。本领域技术人员容易理解的是，表达式|S|计算集合S的元素数量；操作符表示返回集合S的补集。在公式(1)中，施加于加性误差矩阵E上的稀疏性使得学习得到的目标子空间Q对样本中的野点(如，遮挡物)更为鲁棒。可以看出，上述公式的关键点在于如何找到行支撑S。为了更清晰地定义上述问题，并方便地对其求解，优选地，公式(1)可等价改写为：minQ,Y,E,W||W(Y-M)-PPTW(Y-M)||F2+τ||E||1s.t.X=Y+E,PTP=I,rc(W)≤K---(2)]]>其中，矩阵P有目标子空间Q的非零行组成；W为稀疏性诱导矩阵；函数rc(W)返回稀疏性诱导矩阵W的行数。在步骤S120中，根据样本矩阵X中各个特征的有效性来计算稀疏性诱导矩阵，从而可以仅用有效特征构建子空间，可以使用WY计算P，从而可以提高计算效率，并能够提高跟踪效率。利用公式(2)构建的初始子空间P之后，在所述初始子空间的基向量中对应于忽略的干扰特征位置上插入零值，得到所述目标子空间，相当于将稀疏性施加在目标子空间的基向量上，使所述目标子空间的基向量呈现组稀疏结构。这种组稀疏结构可以使得其对应的目标子空间表达自适应地忽略跟踪中的干扰信息。如图1(c)中所示，目标子空间的基向量呈现出组稀疏性。测试图像上对应于干扰物的部分被置零，因此，在重建图像的过程中，并不会对遮挡物进行重建，从而提高了目标跟踪的精度。在步骤S200中，可以在视频中的各帧图像中对目标进行追踪。本发明所提供的稀疏性诱导的潜在假设是干扰跟踪的物体出现在前后帧的相同位置上的，即，干扰物在相继两帧运动不明显。因此，该假设智能在短时间段内是成立的。因此，本发明涉及的目标子空间需要使用最近定位的目标构建，而不是使用全部之前定位的目标。这样，样本矩阵X需要在每一帧上进行更新(即，执行步骤S300)，以维护最近定位的目标。经过步骤S300中的在线更新，可以确保捕获到目标外观的最新变化，从而可以确保更新的准确性，并提高跟踪精度。图3(a)至图3(d)中所示的是本发明所提供的目标跟踪方法中，步骤S100的原理图。图3(a)中所示的是样本矩阵X的示意图。忽略干扰特征并对野点补偿后，得到样本WY，如图3(b)所示。然后使用样本WY构建初始子空间P，如图3(c)所示。最后，将初始子空间嵌入目标子空间Q中，如图3(d)所示。优选地，步骤S120可以包括：S121、利用公式(3)计算表示所述样本矩阵中两两特征之间的关系的表达矩阵：minZ,E||Z||1+λ||E||1s.t.XT=XTZ+EZii=0---(3)]]>其中，Z∈Rd×d表示两两特征间的关系矩阵；E为所述表达误差矩阵；λ为权重系数，λ＞0；S122、利用公式(4)计算关系矩阵：A=12(|Z|+|ZT|)---(4)]]>其中，A为所述关系矩阵；S123、利用以下公式计算所述样本矩阵中的特征的有效性：ϵi=exp(-1μΣj=1,j≠idAij)---(5)]]>其中，εi为所述样本矩阵中第i个特征的有效性；μ为指数函数的尺度参数，μ＞0；Aij为所述样本矩阵中第i个特征与第j个特征之间的关系，且Aii＝0，Aij＝Aji≥0。本发明所提供的目标跟踪方法是在大量的观测下进行的，样本矩阵X中的特征将会出现某种统计特性，而这些特性将有利于跟踪。已知样本矩阵X，先将其从特征向量空间转换至特征观测空间，即将一个特征的N次观测视为一个主体(将X变换至XT)。公式(3)意味着所述样本矩阵中的每个特征都可以通过其他特征的线性组合来组建。对关系矩阵Z施加稀疏性约束意味着将特征间的线性关系局部化，即，最小化的关系矩阵Z的l1-范数可以自适应地找到每个特征的空间近邻。另外，表达误差矩阵E上的稀疏性意味着所述目标子空间中有少数野点，且其取值可能会非常大。在本发明中，对如何求解上述公式(3)并没有特殊的要求，例如，可以利用LASSO算法、正交匹配跟踪算法和增强拉格朗日乘子法中的任意一种求解所述样本矩阵中两两特征之间的关系的表达矩阵Z。需要强调的是，对特征之间的关系而言，矩阵Z是一种不平衡的描述，在步骤S122中，定义了非负且对称的度量准则。即，定义了关系矩阵A∈Rd×d，用以描述第i个特征和第j个特征之间的关系。基于此，一个特征的有效性则定义为该特征与其他各个特征之间的关系的平均值。具体地，在步骤S123中，可以利用公式(5)来计算第i个特征的有效性。从最小信息损失的角度出发，公式(5)中求得的特征的有效性倾向于忽略一个与其他特征均很相关的特征。虽然该特征被忽略，但是，经过N次观测后，也可以在相关意义下，根据其他特征的观测值将所述被忽略的特征恢复出来，因此，在利用本发明所提供的目标跟踪方法进行跟踪的过程中不会出现信息损失，从而即提高了目标跟踪的速度，又确保了目标跟踪的精确性。相应地，稀疏性诱导矩阵W索引了有效特征。目标子空间Q的行支撑S由有效性取值最大的K个特征的索引位置组成。因此，可以利用一下公式(6)来表示稀疏性诱导矩阵W。W＝[ej1,...,ejK],ji∈S,i＝1,2,...,K(6)其中，eji为一个0/1列向量，其第i个元素为1，其他元素为0；j1，……jk为有效性最大的K个特征的索引位置。相应地，在步骤S130中，可以利用一下公式(7)来计算去掉噪声的样本矩阵Y。Y＝(XTZ)T(7)相应地，在步骤S140中，可以直接利用公式(3)来计算表达误差矩阵E。在步骤S150中，在只包括K个有效特征的样本矩阵WY上学习得到一个r维初始子空间，记为P＝[p1:r]K×r。在步骤S160中，在基向量p1:r中对应于忽略的干扰特征位置上插入零值，得到r维的目标子空间Q。在步骤S200中，基于粒子滤波跟踪框架实现对目标的追踪。每个粒子对应着一幅帧图像上的一个区域，在本发明中，该区域由如下运动状态变量所定义：s＝{x,y,σ}(8)其中，x和y表示该区域在图像上的二维坐标；σ表示该区域的尺寸参数。在跟踪过程中，每一帧上都需要生成大量粒子，根据其运动状态变量，其对应在帧图像上的区域可以切割出来。将这些切割出来的区域缩放到相同大小的尺度，并分别拉成列向量，本发明称这些列向量为候选者。图4中给出了步骤S200中提出的跟踪算法的流程图。已知第1帧到第(t-1)帧上定位的目标y1:t-1，则在第t帧上，一个候选者的运动状态变量st可以由最大化式中的后验密度而得到：p(st|y1:t-1)＝∫p(st|st-1)p(st-1|y1:t-1)dst-1(9)其中，p(st|st-1)即为运动模型。接下来，根据运动状态变量st可以得到其在帧图像上对应着的候选者c的特征。这时该后验密度可以更新为：p(st|c,y1:t-1)=p(c|st)p(st|y1:t-1)p(c|y1:t-1)---(10)]]>其中，p(c|st)即为观测模型。在公式(10)中，分母p(c|y1:t-1)是一个常量，可以利用公式(11)所示表示。p(c|y1:t-1)＝∫p(c|st)p(st|y1:t-1)dst(11)因此，当给定全部的候选者集合C，在第t帧的目标yt则可以公式(12)得到：yt=argmaxc∈Cp(st|c,y1:t-1)---(12)]]>容易理解的是，y1:t-1是指在t-1帧图像上，目标的坐标矩阵；yt是指在第t帧图像上，目标的坐标矩阵。在本发明中运动模型定义为公式(13)中所示的高斯分布，观测模型p(c|st)度量了一个候选者成为目标的可能性，本发明将其定义为正比于公式(14)中所示的函数值。p(s|st-1):N(s|st-1,∑)(13)其中，协方差矩阵Σ为一个对角矩阵，其对角元素分别为公式中(8)中x、y和σ的方差。基于已构建的r维子空间Q∈Rd×r，一个候选者c成为目标的可能性定义为：Ψ(c)=exp(-1l||∂S(c-m)-QQT(c-m)||22)---(14)]]>其中，m为去除噪声的样本Y的均值列向量(实际上是使用样本Y构建的子空间Q)，为一个投影操作符，该操作符将索引集合S之外的输入向量元素置零而保持其他元素不变，l>0为指数函数的尺度参数。可以看到，公式(14)倾向于推荐具有较小重建误差的候选者成为目标，即推荐那些可以被子空间精确表达的候选者。如上文中所述，样本矩阵X需要在每一帧上进行更新，以维护最近定位的目标。因此，样本矩阵X的工作方式类似于一个先进先出的容器。另外，由于初始帧的目标拥有最精确的信息，本发明需要将其一直维护在样本矩阵X中。同时，为了算法的精确性与运动速度的平衡，本发明在样本矩阵X中维护最近50帧上定位的目标，并且，每个10帧重新在样本矩阵X上构建一次目标子空间。因此，本发明采用的在线更新策略是，针对第一帧，使用标准的主成分分析法初始化子空间。在跟踪早期阶段，已定位目标不超过N个时，则将全部定位得到的目标用于构建所述目标子空间；当已定位的目标超过N个时，利用最近定位N-1个目标以及第一帧定位的目标构建所述目标子空间；每隔M帧重新构建一次所述目标子空间，其中，M和N均为自然数，M＜N，M≥1。在本发明中，对M和N的具体数值没有特殊的要求。例如，N可以为50，M可以为10。为了更清楚的解释本发明，现在根据图4对本发明的目标跟踪方法进行详细的解释。如图4中所示，首先，将之前以定位的目标进行变换，得到样本矩阵；然后对样本矩阵中的特征进行关系分析，得到所述样本矩阵的局部结构；然后评价各个特征的有效性，得到有效特征，利用有效特征构建目标子空间；随后，在当前帧图像中采样，并将候选者正交投影至所述目标子空间，并对候选目标进行重建；分析所述候选者成为目标的可能性，最终在当前帧图像中定位出目标。实施例2图5中所示的是本发明所提供的目标跟踪装置的模块示意图。如图所示，所述目标跟踪装置包括：目标子空间构建模块100，该目标子空间构建模块100用于构建目标子空间，所述目标子空间构建模块包括：样本矩阵构建单元110，该样本矩阵构建单元110用于构建包括目标图像的特征的样本矩阵；稀疏性诱导矩阵计算单元120，该稀疏性诱导矩阵计算单元120用于根据所述样本矩阵中各个特征的有效性计算稀疏性诱导矩阵，所述稀疏性诱导矩阵的各个特征为所述样本矩阵中有效性最大的K个特征，其中，K为所述样本矩阵的列数；噪声去除单元130，该噪声去除单元130用于去除所述样本矩阵中的噪声得到无噪声的样本矩阵；误差矩阵计算单元140，该误差矩阵计算单元140用于计算表达误差矩阵；学习单元150，该学习单元150用于使用主成分分析法在所述稀疏性诱导矩阵和所述无噪声的样本矩阵相乘获得的矩阵上学习得到初始子空间；目标子空间获取单元160，该目标子空间获取单元160用于在所述初始子空间的基向量中对应于忽略的干扰特征位置上插入零值，得到所述目标子空间；目标追踪模块200，该目标追踪模块200用于利用所述目标子空间追踪目标；在线更新模块300，该在线更新模块300用于对所述目标子空间进行在线更新。在所述目标跟踪装置中，目标子空间构建模块100用于执行步骤S100，具体地，样本矩阵构建单元110用于执行步骤S110，稀疏性诱导矩阵计算单元120用于执行步骤S120，噪声去除单元130用于执行步骤S130，误差矩阵计算单元140用于执行步骤S140，学习单元150用于执行步骤S150，目标子空间获取单元160用于执行步骤S160。目标追踪模块200用于执行步骤S200，在线更新模块300用于执行步骤S300。优选地，稀疏性诱导矩阵计算单元120用于：利用以下公式计算表示所述样本矩阵中两两特征之间的关系的表达矩阵：minZ,E||Z||1+λ||E||1s.t.XT=XTZ+EZii=0;]]>其中，Z∈Rd×d表示两两特征间的关系的矩阵；E为所述表达误差矩阵；λ为权重系数，λ＞0；利用以下公式计算关系矩阵：A=12(|Z|+|ZT|);]]>其中，A为所述关系矩阵；利用以下公式计算所述样本矩阵中的特征的有效性：ϵi=exp(-1μΣj=1,j≠idAij),]]>其中，εi为所述样本矩阵中第i个特征的有效性；μ为指数函数的尺度参数，μ＞0；Aij为所述样本矩阵中第i个特征与第j个特征之间的关系，且Aii＝0，Aij＝Aji≥0。优选地，所述稀疏性诱导矩阵计算单元用于利用LASSO算法、正交匹配跟踪算法和增强拉格朗日乘子法中的任意一种求解所述样本矩阵中两两特征之间的关系的表达矩阵。优选地，目标追踪模块200用于基于粒子滤波跟踪框架实现目标追踪，其中，所述目标追踪模块用于利用以下公式计算当前帧图像中的候选者成为目标的可能性：Ψ(c)=exp(-1l||∂S(c-m)-QQT(c-m)||22);]]>其中，Ψ(c)为候选者成为目标的可能性；c为候选者的特征；m为去除噪声的样本矩阵Y的均值列向量；l为指数函数的尺度参数，且l＞0；Q为所述目标子空间，其中，Q∈Rd×r。优选地，在线更新模块300用于：当已定位目标不超过N个时，则将全部定位得到的目标用于构建所述目标子空间；当已定位的目标超过N个时，利用最近定位N-1个目标以及第一帧定位的目标构建所述目标子空间；每隔M帧重新构建一次所述目标子空间，其中，M和N均为自然数，M＜N，M≥1。上文中已经详细介绍了本发明所提供的目标跟踪方法的各个步骤，此处不再赘述。可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。当前第1页1 2 3