技術特征：

1.一種視覺目標跟蹤方法，其特征在于，該方法包括步驟如下：

步驟S1：離線訓練預定目標的檢測器

步驟S2：采用所述檢測器檢測第i-1幀圖像中的所述預定目標，其中i為大于等于1的正整數；

步驟S3：在線學習跟蹤器判別模型；

步驟S4：采用所述跟蹤器判別模型跟蹤第i幀圖像中的所述預定目標；

步驟S5：通過所述檢測器判斷所述跟蹤器判別模型跟蹤所述預定目標是否成功；

步驟S6：若所述跟蹤器判別模型跟蹤所述預定目標成功，則存儲所述跟蹤器判別模型跟蹤得到的所述預定目標的特征向量及跟蹤得到的目標圖像，并在線學習跟蹤器判別模型，轉步驟S7；否則，i＝i+1，轉步驟S2重新檢測所述預定目標并重新在線學習所述跟蹤器判別模型；

步驟S7：通過基于密度峰值的方法在線挖掘正支持向量，并對跟蹤器進行在線修正，i＝i+1，然后跳轉到步驟S4。

2.如權利要求1所述的方法，其特征在于，步驟S1包括以下步驟：

步驟S11：計算正負樣本圖像的梯度方向直方圖特征，生成正樣本圖像和負樣本圖像的特征向量；包括：

步驟S11A：將正樣本圖像通過雙線性差值方法歸一化為固定大小w_s×h_s，其中w_s為歸一化正樣本圖像的寬，h_s為歸一化正樣本圖像的高；

步驟S11B：將歸一化的正樣本圖像劃分為N_c1×N_c2個細胞單元C_ij，1＜i＜N_c1，1＜j＜N_c2；每個細胞單元大小為k×k，其中k＝w_s/N_c1＝h_s/N_c2；

步驟S11C：在每個細胞單元C_ij中對梯度方向進行獨立統計，以梯度方向為橫軸的直方圖，然后將這個梯度分布平均分成多個無符號方向角度，每個方向角度范圍對應方向角度范圍的梯度幅值累積值，將多個梯度幅值累積值組成多個維特征向量V_ij，然后通過4個歸一化系數對V_ij進行歸一化，進而得到細胞單元C_ij對應的特征向量F_ij；

步驟S11D：將歸一化正樣本圖像中所有細胞單元的梯度方向直方圖特征向量F_ij串聯構成正樣本圖像的特征向量V_P；

步驟S11E：采用與步驟S11A至步驟S11D相同的方式計算大小為w_s×h_s的負樣本圖像的特征向量V_F；

步驟S12：采用隨機梯度下降法訓練檢測分類器；

其中，檢測分類器采用的是線性支持向量機分類器，其優化目標函數為：

$\underset{\tilde{w}}{min}\frac{1}{2}\left|\right|w|{|}^2+C\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\max (0,1-y_i{f}_{\tilde{w}}({\tilde{x}}_i\left)\right)$

其中為SVM的參數向量，y_i∈{-1，+1}為樣本的類別標簽，其中x為正樣本圖像或負樣本圖像的特征向量；其中為檢測分類器的判別函數。

3.如權利要求1所述的方法，其特征在于，步驟S2包括以下步驟：

步驟S21：根據所述當前幀圖像生成圖像金子塔；

步驟S22：將每幅所述圖像金字塔劃分為多個細胞單元，；然后通過梯度直方圖統計方法獲取每個細胞單元的特征向量，生成圖像特征金字塔；

步驟S23：在圖像特征金字塔中，利用所述檢測器采用滑動窗口的方式檢測所述預定目標。

4.如權利要求1所述的方法，其特征在于，步驟S3包括下述步驟：

步驟S31：將第i幀圖像的所述預定目標進行狀態化表示，得到目標狀態s_i；其中，S_i＝(Δx_i，Δy_i，sc_i，r_i)，其中Δx_i、Δy_i為所述檢測器檢測到的第i幀圖像中的所述預定目標相對前一幀跟蹤到的所述預定目標的中心點位置的二維平移量，sc_i表示所述檢測器檢測到的第i幀圖像中的所述預定目標相對前一幀跟蹤到的所述預定目標的面積大小的尺度比，r_i表示目標狀態s_i對應的圖像區域的長寬比；

步驟S32：通過高斯分布對所述目標狀態進行狀態轉移，獲得采樣狀態集合m為采樣狀態集合中目標狀態的個數；

步驟S33：計算采樣狀態集合對應的圖像區域的特征向量；

步驟S34：將采樣狀態集合對應的圖像區域的特征向量作為樣本，通過優化基于狀態的結構SVM分類器實現跟蹤器判別模型的在線學習。

5.如權利要求4所述的方法，其特征在于，所述步驟S33包括以下步驟：

步驟S33A：獲取所述采樣狀態集合中每個狀態對應的圖像區域；通過所述檢測器在第i幀圖像中檢測到的所述預定目標的位置(x_Ci，y_Ci，w_i，h_i)，采用以下公式計算第j個狀態對應的圖像區域的位置

$\left\{\begin{array}{c}{x}_{Ci}^j=x_{Ci}+{\mathrm{\Δx}}_i^j\\ y_{Ci}^j=y_{Ci}+{\mathrm{\Δy}}_i^j\\ w_i^j=\sqrt{\frac{{\mathrm{sc}}_i^j{w}_i{h}_i}{r_i^j}}\\ h_i^j=\sqrt{{\mathrm{sc}}_i^j{w}_i{h}_i{r}_i^j}\end{array}\right.$

其中，x_Ci、y_Ci為所述狀態s_i對應的圖像區域的中心點位置，w_i、h_i分別為所述狀態s_i對應的圖像區域的寬和高；分別為第j個狀態對應的圖像區域的中心點位置，分別為第j個狀態對應的圖像區域的寬和高；r_i^j表示所述狀態s_i對應的圖像區域的長寬比；

步驟S33B：計算所述采樣狀態集合中每個狀態對應的圖像區域的歸一化特征向量。

6.如權利要求5所述的方法，其特征在于，步驟34中基于狀態的結構SVM分類器的優化問題如下表示：

$\underset{\mathrm{\β}}{\max }-\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\underset{s_i\∈\{{\stackrel{\‾}{S}}_i\∪s_i^{u_i}\}}{\mathrm{\Σ}}\underset{s_j\∈\{{\stackrel{\‾}{S}}_j\∪s_j^{u_j}\}}{\mathrm{\Σ}}{\mathrm{\β}}_i^{s_i}{\mathrm{\β}}_j^{s_j}\<\mathrm{\Φ}\left(x_j^{s_j}\right),\mathrm{\Φ}\left(x_i^{s_i}\right)\>-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{s_i\∈\{{\stackrel{\‾}{S}}_i\∪s_i^{u_i}\}}{\mathrm{\Σ}}{\mathrm{\β}}_i^{s_i}\mathrm{\Δ}(x_i^{s_i^{u_i}},x_i^{s_i})$

$\begin{array}{cc}s.t.& \∀i,\∀s_i\∈\{{\stackrel{\‾}{S}}_i\∪s_i^{u_i}\}:{\mathrm{\β}}_i^{s_i}\≤\mathrm{\δ}(s_i,s_i^{u_i})C\end{array}$

$\∀i:\underset{s_i\∈\{{\stackrel{\‾}{S}}_i\∪s_i^{u_i}\}}{\mathrm{\Σ}}{\mathrm{\β}}_i^{s_i}=0$

$\∀j,\∀s_j\∈\{{\stackrel{\‾}{S}}_j\∪s_j^{u_j}\}:{\mathrm{\β}}_j^{s_j}\≤\mathrm{\δ}(s_j,s_j^{u_j})C$

$\∀j:\underset{s_j\∈\{{\stackrel{\‾}{S}}_j\∪s_j^{u_j}\}}{\mathrm{\Σ}}{\mathrm{\β}}_j^{s_j}=0$

其中C為懲罰系數，其中為對應狀態s_i的特征向量，為第i幀圖像中所有的狀態，包括狀態轉移獲得的采樣狀態和目標的狀態；其中為特征向量和之間的損失函數，其中為高斯核函數，Φ為將特征向量從低維空間到高維空間的映射，其中1≤i≤n為模型參數，n為在跟蹤過程中，每幀圖像中采集的狀態的個數；其中，跟蹤器判別模型的判別函數為其中

其中，基于狀態的結構SVM分類器的在線優化過程包括如下步驟：

步驟S34A：選取第i幀圖像中狀態目標特征向量對應的參數作為選取其中，為步驟S34中優化目標函數對的梯度；s_i+表示與參數相對應的目標狀態，s_i-表示與參數相對應的目標狀態；

步驟S34B：更新參數和首先，計算然后，計算

其中

$g_i\left({\mathrm{\β}}_i^{s_i+}\right)=-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\underset{s_j\∈\{{\stackrel{\‾}{S}}_j\∪s_j^{u_j}\}}{\mathrm{\Σ}}{\mathrm{\β}}_j^{s_j}\<\mathrm{\Φ}\left(x_i^{s_i+}\right),\mathrm{\Φ}\left(x_j^{s_j}\right)\>-\mathrm{\Δ}(x_i^{s_i^{u_i}},x_i^{s_i+})$

$g_i\left({\mathrm{\β}}_i^{s_i-}\right)=-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\underset{s_j\∈\{{\stackrel{\‾}{S}}_j\∪s_j^{u_j}\}}{\mathrm{\Σ}}{\mathrm{\β}}_j^{s_j}\<\mathrm{\Φ}\left(x_i^{s_i-}\right),\mathrm{\Φ}\left(x_j^{s_j}\right)\>-\mathrm{\Δ}(x_i^{s_i^{u_i}},x_i^{s_i-})$

計算然后，更新若則將添加到支持向量集合V_sup中，即將添加到支持梯度集合G中，即若則將添加到支持向量集合V_sup中，即將添加到支持梯度集合G中，即最后，更新支持梯度集合G中的梯度

步驟S34C：進行支持向量維護；若支持向量集合V_sup中的支持向量數量大于200，則剔除支持向量集合V_sup中的支持向量x^clear直到支持向量集合V_sup中的支持向量數量小于200，其中

$x^{clear}=\underset{x_i^{s_i^j}\∈V_{\sup },s_i^j\∈{\stackrel{\‾}{S}}_i}{\mathrm{argmin}}{\left({\mathrm{\β}}_i^{s_i^j}\right)}^2\[\<\mathrm{\Φ}\left(x_i^{s_i^j}\right),\mathrm{\Φ}\left(x_i^{s_i^j}\right)\>+\<\mathrm{\Φ}\left(x_i^{s_i^{u_i}}\right),\mathrm{\Φ}\left(x_i^{s_i^{u_i}}\right)\>-2\<\mathrm{\Φ}\left(x_i^{s_i^j}\right),\mathrm{\Φ}\left(x_i^{s_i^{u_i}}\right)\>\];$

步驟S34D：從現有的支持模式集合中，選取其中至少包含一個支持向量的集合稱為支持模式集合，采用步驟S34B更新參數和并采用步驟S34C進行支持向量維護；

步驟S34E：從現有的支持模式集合中，選取采用步驟S34B更新參數和并采用步驟S34C進行支持向量維護；

步驟S34F：轉步驟S34E，直至滿足第一迭代結束條件為止；

步驟S34G：轉步驟S34D，直至滿足第二迭代結束條件為止。

7.如權利要求1所述的方法，其特征在于，步驟S4包括以下步驟：

步驟S41：將所述預定目標在第i-1幀圖像中的目標狀態和采樣狀態做為第i幀圖像的采樣狀態，并計算每個采樣狀態在第i幀圖像中的圖像區域，進而計算每個采樣狀態對應的圖像區域的特征向量；

步驟S42：通過所述跟蹤器判別模型的判別函數，計算每個采樣狀態對應的圖像區域的特征向量的判別值，并將具有最大判別值的采樣狀態作為第i+1幀圖像的目標狀態。

8.如權利要求1所述的方法，其特征在于，所述步驟S6中存儲的所述預定目標的特征向量最多不超過200個，若超過200個，則僅保存最新得到的200個所述預定目標的特征向量。

9.如權利要求1所述的方法，其特征在于，步驟S7包括下述步驟：

步驟S71：對步驟S6中存儲的所述預定目標的特征向量集進行基于密度峰值的聚類；首先，對于集合C中的每一個特征向量計算其對應的局部密度ρ_i及比其局部密度更高的點的距離δ_i；

然后，計算集合C中每個特征向量對應的γ_i＝ρ_iδ_i，從而獲得集合

最后，將集合中的數據進行降序排列，以獲得集合選擇集合C中對應集合中前n_r個數據構成數據集

步驟S72：將基于密度峰值聚類方法挖掘出的數據集D中的特征向量替換跟蹤器判別模型中具有較低置信度的n_r個正支持向量。

10.一種視覺目標跟蹤裝置，其特征在于，包括：

檢測器訓練模塊，用于離線訓練預定目標的檢測器

檢測模塊，用于采用所述檢測器檢測第i-1幀圖像中的所述預定目標，其中i為大于等于1的正整數；

跟蹤器學習模塊，用于在線學習跟蹤器判別模型；

跟蹤模塊，用于采用所述跟蹤器判別模型跟蹤第i幀圖像中的所述預定目標；

判別模塊，用于通過所述檢測器判斷所述跟蹤器判別模型跟蹤所述預定目標是否成功；若所述跟蹤器判別模型跟蹤所述預定目標成功，則存儲所述跟蹤器判別模型跟蹤得到的所述預定目標的特征向量及對應的子圖像，并利用跟蹤器學習模塊在線學習跟蹤器判別模型，采用基于密度峰值的方法在線挖掘正支持向量，并對跟蹤器進行在線修正，i＝i+1，轉跟蹤模塊繼續跟蹤下一幀圖像；否則，i＝i+1，轉檢測模塊重新檢測所述預定目標并重新在線學習所述跟蹤器判別模型。