1.一种基于显著度的柔性对象自然轮廓跟踪方法，其特征在于：所述基于显著度的柔性对象自然轮廓跟踪方法包括以下步骤：(1)自然轮廓提取

在利用简单线性迭代聚类算法对第一帧视频帧进行超像素分割之后，每个像素点都拥有了标识其所属分割块的标签；

采用自然轮廓提取算法提取柔性对象的自然轮廓，不同分割块拥有不同标签，属于相同分割块的像素点拥有相同标签，利用标签的突变得到边界像素点；SLIC算法中，规定如果某像素点的四邻域有一个以上的像素点的标签与其不同，则将该像素点视为边界像素点；

使用标签Lfore对构成柔性对象的分割块进行标识，得到对象模型，将对象模型视作由位于对象所在区域的像素点(x,y)组成的集合Um，面向对象的模型表示如下：Um＝{(x,y)|L(x,y)＝Lfore,(x,y)∈U}，   (1.1)其中，L(x,y)是像素点(x,y)的标签，U是视频帧像素点的集合，跟踪对象的闭合自然轮廓Uc由下列等式得到：Uc＝Um-{(x,y)|L(x-1,y)＝L(x+1,y)＝L(x,y-1)＝L(x,y+1)＝Lfore,(x,y)∈Um}，   (1.2)其中，L(x-1,y)，L(x+1,y)，L(x,y-1)，L(x,y+1)分别为像素点(x,y)四邻域像素点(x-

1,y)，(x+1,y)，(x,y-1)，(x,y+1)的标签；

(2)快速目标定位，过程如下：

2.1).利用初始自然轮廓最小化的矩形框，以及目标对象与其所处的周围背景之间的空间相关性，学习空间上下文模型；

2.2).利用已学习到的空间上下文模型去更新下一帧的时空上下文模型；

2.3).利用时空上下文信息计算置信图；

2.4).通过置信图的最大化分析目标对象所处的最佳位置；

2.5).利用跟踪所得轮廓的最小矩形框去重学习空间上下文模型，接着返回步骤2.2)(3)基于显著度的轮廓跟踪器通过步骤(2)得到包含目标对象和部分背景信息的矩形块，首先，对矩形块进行SLIC超像素分割，接着利用基于图的流形排序算法计算矩形块的显著图，显著图中必须要有不同于前景的背景信息，Box2被作为基于显著度的轮廓跟踪器的输出结果，在进行SLIC超像素分割以及基于图的流形排序之后，Box2上的每一个像素点都拥有了一个标识其所属分割块的标签，每个分割块都有一个显著值；分割块的聚类中心被称为种子点，通过第一帧的初始自然轮廓得到目标对象块，对于后续视频帧，目标对象块由快速目标定位过程计算得到，在对每个帧序列的块进行超像素分割后，得到种子点数目NSt，t为视频帧序列的索引值，t＝1,2,3…，对每个分割块的显著值进行降序排序，得到排序结果 Sal1是最高显著值，是最低显著值，基于显著度的对象模型Usm中设置了一个阈值THDUSal＝{Sal1,Sal2,Sal3,…,SalTHD}     (3.1)Usm＝{(x,y)|S(x,y)∈USal,(x,y)∈Ut(t＝2,3,4…)}   (3.2)其中，USal为高于THD显著值的显著值集合，Ut为视频帧t中目标对象块的像素点集合，(x,y)为像素点的坐标；

最后，基于全局向量流的主动轮廓模型被用于轮廓拟合，在此基础上最终得到柔性对象的准确自然轮廓。

2.如权利要求1所述的一种基于显著度的柔性对象自然轮廓跟踪方法，其特征在于：所述步骤(3)中，阈值THD的确定过程如下：首先，利用初始轮廓或每帧的跟踪轮廓构建一个对象模型Umd

Umd＝{(x,y)|L(x,y)＝Lfore,(x,y)∈Ut(t＝1,2,3…)}   (3.3)其中，L(x,y)表示像素点(x,y)的标签，Lfore表示目标对象区域的标签；

接着，利用视频帧t的模型Umd统计位于目标对象区域内的种子点数目NISt，根据时间上下文信息，得到以下等式：其中，t为视频序列的索引值；NISt表示视频帧t中位于目标对象区域内的种子点数目，NSt表示视频帧t中处于目标对象块内的种子点数目；NISt-1表示前一帧视频帧t-1中位于目标对象区域内的种子点数目，NSt-1表示前一帧视频帧t-1中处于目标对象块内的种子点数目；

接着，阈值THD与NISt相等，THD由下述计算方法得到：