1.一种面向视频监控的人体跟踪方法，包括以下步骤：

1)背景建模和目标检测提取，首先对所应用的场景进行背景建模，从视频监控图像提取场景背景图片，对于静态场景进行灰度建模为pFimage，建模完成后开始对视频进行运动物体的检测，当前检测帧为pFrame,首先对pFrame进行高斯滤波以平滑图像，减少噪声的干扰，当前帧与背景差值得到运动的待跟踪目标，对检测到的待跟踪目标目标进行形态学滤波可以去掉噪音，并填充孔洞使得物体的轮廓更加接近真实人体，对于室内光线的变化以及一些非人体物体的进入，采用更新率β的背景更新策略，其中更新的公式为pFimage＝pFimage+βpFrame对于所检测出的待跟踪的物体，利用面积的大小排除掉非人体的运动目标，得到需要跟踪的人体目标；

2)卡尔曼滤波器初始化和预测

如果目标首次出现在第Fk帧，其出现在图像上位置为pk(xk,yk)，则根据检测到目标的位置对卡尔曼滤波器的初试化，并且利用卡尔曼滤波的状态方程预测出下一帧目标的位置(xp,yp)，对于第Fk帧将预测位置(xp,yp)设为人体的真实位置，并在预测点附近的区域设定为预测区域；

3)人体目标跟踪的初始化

将Fk帧从RGB空间转换到HSV颜色空间并统计据目标检测得到的目标人体H分量的颜色分布直方图hist,根据hist计算预测区域的反向投影图bp(xij)；

4)模板的建立与更新

如果目标为首次出现则在RGB颜色空间建立人体的特征模板model，并且统计已经跟踪的帧数,如果统计的帧数是更新系数的倍数，则认为模板已经变化，以当前跟踪的目标区域重新计算人体模板model，以新的模板作为搜索的模板；

5)预测区域的搜索

为了减少计算量和提高鲁棒性，目标出现的帧的下一帧中，在预测区域附近搜索目标移动后的位置，搜索方法为在前一帧目标位置(xk,yk)处选取与目标大小一样的候选目标区域，以前一帧目标的位置为中心建立候选目标区域model1，得到候选目标区域的颜色概率分布最大位置pn；

6)判定最终目标的搜索位置

判断是否为最优估计的方法是以两次目标的颜色概率分布最大位置pn+1(xn+1,yn+1)和pn(xn,yn)的移动距离|pn+1-pn|是否小于阈值，如果小于阈值则新的目标的位置pn+1(xn+1,yn+1)作为最终目标的搜索位置，如果大于阈值则以新的pn+1(xn+1,yn+1)为核心，目标模板大小重新建立新的候选目标区域，并计算新的候选目标区域的model1，返回5)重新计算新目标的核心位置pn+2(xn+2,yn+2)，直到小于阈值或者达到了循环的次数，返回最终得到的目标位置pn+m(xn+m,yn+m)；

7)自适应计算人体区域

根据3)得到的目标投影图bp(xij)计算出目标位置的零阶矩，一阶矩，二阶矩计并且计算出图像的长和宽l1和l2以及倾斜的角度；

8)卡尔曼滤波的纠偏和更新

当5)搜索得到的目标的位置与2)中预测位置的残差超过一定的阈值后，选用卡尔曼滤波的预测的位置作为目标的最终位置，否则使用卡尔曼滤波器校正过后的位置作为最终位置，对于卡尔曼滤波器进行状态的更新包括协方差和目标的目前状态值，使卡尔曼滤波器在下一帧中可以继续预测人体目标的位置。

2.根据权利要求1所述的一种面向视频监控的人体跟踪方法其特征在于:步骤2)中根据 检测到目标的位置对卡尔曼滤波器的初试化，卡尔曼滤波的状态方程为X(k)＝A X(k-1)+W(k)其中X(k)为当前状态矩阵，X(k-1)为前一时刻的状态矩阵，W(k)为系统噪声，其特征分布符合高斯分布，A为系统的转移矩阵，X(k)为一个4维的矩阵，X(k)＝(xk，yk,Vkx，Vky)其中的xk，yk表示物体运动的初始位置横坐标和纵坐标，Vkx，Vky表示物体运动的速度的横向速度和纵向速度，初始状态xk,yk为目标的位置，初试化的速度Vkx，Vky为0；卡尔曼滤波的预测目的为了对于人体目标进行位置搜索和计算预测区域投影图时，在卡尔曼滤波预测点附近进行搜索，可以减少搜索的范围，减少计算量，增强目标跟踪的实时性。

3.根据权利要求1所述的一种面向视频监控的人体跟踪方法其特征在于：步骤3)中根据目标检测得到的目标人体区域，统计HSV空间的目标颜色H分量的概率直方图hist，每一个的区间统计值为其中pij表示像素点(i,j)处像素点的值，u表示直方图的第u个区间，u的范围为l为设置的区分度，m，n表示目标人体区域像素点的横向数和纵向数；

预测区域的反向投影图bp(xij)的公式如下：

其中pij表示像素点(i,j)处像素点的值，b(pij)表示在位置(i,j)上的pij对应的直方图第u个统计区间，bu表示第u个统计区间的值，m，n表示预测区域像素点的横向数和纵向数的以上两式中δ(x)函数表达式如下：得到的投影图中如果属于目标颜色，其值会比较大，而不属于目标颜色的值的则为0。

4.根据权利要求1所述的一种面向视频监控的人体跟踪方法其特征在于：步骤4)中建立人体的特征模板是利用目标检测首次得到的目标人体，在目标位置为pk(xk,yk)处采用核函数密度估计的办法建立人体的模型model，model表示是目标模板中第u个特征值的估计的概率密度估计，建立人体的RGB模型的三通道模型model，model为一个三维空间的矩阵，用来表示目标的颜色特征，目标颜色特征为16*16*16，目标模型可以表示为：其中b(xi)为xi处的像素点第u个特征的引用值，u的取值为{1...m},δ为克罗内克函数，h为核函数带宽，n目标区域的高度，C为归一化系数表示为：K(x)叶帕涅奇尼科夫核函数表达式为：

其中cd为空间区域的大小，d表示空间的维数。

5.根据权利要求1所述的一种面向视频监控的人体跟踪方法其特征在于：步骤5)中候选目标区域的核心计算是根据均值漂移的原理，建立基于核函数的目标模型的权重比值矩阵ωi其中model为权利4中的目标模型，model1为候选目标区域的模型，建模方式与model相同，m为目标区域点的总和，当目标前一帧目标位置为pk(xk,yk)时,由于当前帧选取的候选目标区域以前一帧目标位置为核心，建立候选区域模型model1的表达式如下b(xi)为xi处的像素点第u个特征的引用值，u的取值为{1...m},δ为克罗内克函数，h为核函数带宽，n为候选目标区域的高度，C为归一化系数，表达式与model模型相同，当前帧候选目标区域的核心pn为其中g(x)为核函数K(x)的导数,K(x)采用叶帕涅奇尼科夫核函数，n为候选目标区域的高度，h为核函数的带宽，即候选目标区域宽度。

6.根据权利要求1所述的一种面向视频监控的人体跟踪方法其特征在于：步骤7)中根据投影图bp(xij)目标区域的原点矩，一阶矩和二阶矩，并计算出目标的大小和倾斜角度其计算方法如下M00为原点矩为M10,M01，M11为一阶矩M20,M02为二阶矩其中l1,l2表示人体目标的区域的长和宽，θ表示目标倾斜的角度，wi表示投影图bp(xij)上点(x,y)处值。

7.根据权利要求1所述的一种面向视频监控的人体跟踪方法其特征在于：步骤8)中卡尔曼滤波器的更新包括协方差和目标的目前状态值，其中更新卡尔曼方程的观测值观测值Z(k)权利1中步骤5)中的搜索到的人体的位置，对目前状态值做出最优化的估计如下：

X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-H X(k|k-1))其中Kg(k)为当前状态的卡尔曼增益(Kalman Gain)，X(k|k)目前状态最优估计，X(k|k-1)为在k-1时刻对k时刻的最优估计，H为初始化给定的测量矩阵T T

Kg(k)＝P(k|k-1)H/(H P(k|k-1)H+R)

其中P(k|k-1)表示在k-1时刻对k时刻的最优估计的协方差，更新P(k|k-1)，T

P(k|k-1)＝A P(k-1|k-1)A+Q

其中A为权利2中状态方程的转移矩阵，最后需要更新k状态下X(k|k)的协方差P(k|k)＝(I-Kg(k)H)P(k|k-1)上式中Q和R分别表示系统的运动噪声和测量噪声的协方差，设为常量1e-5和1e-1；

卡尔曼滤波器的纠偏是当前帧搜索算法得到的目标的位置(x(k),y(k))与前一帧卡尔曼滤波预测位置(x(k-1),y(k-1))的残差超过阈值后，则选用卡尔曼滤波的预测的位置作为目标的最终位置，其中残差的定义为：没有超过阈值话采用卡尔曼滤波器校正后的位置作为最终位置。