1.基于多伯努利特征协方差的视频多目标跟踪方法，包括：(1)初始化步骤：

(1a)初始时刻k＝0，视频总帧数为N，初始目标状态集为 初始化目标状态其中 表示初始目标i矩形框左上角的坐标， 表示初始目标i矩形框的宽， 表示初始目标i矩形框的高，M0表示初始目标个数，初始目标存在概率Ps＝

0.99，计算初始目标i的特征协方差 粒子初始化采样；

(1b)初始化新生目标状态集为 其中 表示新生目标i矩形框左上角的坐标， 表示新生目标i矩形框的宽，表示新生目标i矩形框的高，MΓ表示新生目标个数；本发明中新生目标的新生位置假设固定在某坐标范围内，且每一帧都有目标新生，存在概率为0.02；计算新生目标i的特征协方差 初始化新生目标的采样粒子；

(1c)初始化采样粒子参数，粒子最大数目为Lmax，粒子最小数目为Lmin，初始目标状态协方差Σ0＝diag(1,1,0.1,0.1)；

(2)目标状态预测步骤：

(2a)假设目标运动模型为随机游走模型，即：x(k+1)＝x(k)+e(k)其中，x(k)表示k时刻目标状态，e(k)为k时刻高斯噪声，其均值为0，目标状态协方差为(2b)目标预测，假设在k-1时刻多目标的后验概率密度可用多伯努利参数集表示为：

其中， 和 分别表示k-1时刻目标i的存在概率和概率分布，Mk-1表示k-1时刻目标个数；则预测后的后验多目标概率密度可表示为：

其中， 表示k时刻存活目标的多伯努利参数集， 和 分别表示k时刻存活目标i的存在概率和概率分布的预测值， 表示k时刻新生目标的多伯努利参数集， 和 分别表示k时刻新生目标i的存在概率和概率分布，MΓ,k表示k时刻新生目标个数；

(3)目标似然计算步骤：

(3a)本发明可处理灰度图像序列和彩色图像序列，其中，灰度图像提取的五维特征分别为：灰度，m和n方向的一阶梯度、二阶梯度；彩色图像提取的三维特征分别为：彩色图像的H、S、V三色值；

初始化目标模板的特征协方差T，候选目标的特征协方差矩阵F，并计算两协方差矩阵的相似性测度，即：d(T,F)＝||log(T)-log(F)||其中，log(·)表示对数运算；

(3b)为了更精确地对目标进行描述，避免目标被局部遮挡，增强目标分辨能力，本发明将目标表示为5个分块，每个块分别计算其特征协方差矩阵，并采用一个融合过程，融合所有块的相似性测度，忽略候选目标分块中相似性测度的最小块，得到总体相似性测度D，即：

其中，min表示取最小值函数， 表示k时刻目标i模板的第ξ个分块的特征协方差，表示k时刻候选目标i的第ξ个分块的特征协方差；

(3c)获得总体相似性测度D后，k时刻候选目标i的采样粒子j的似然表示为：

其中，参数λ∈[10,30]；

此外，本发明中的特征模板Tξ是根据前Φ个时刻的混合特征协方差矩阵计算得到，即：

其中，Fτ,ξ表示在τ时刻目标估计状态 的第ξ个分块的特征协方差；

(4)目标状态更新步骤：

k时刻，假设视频多目标随机有限集的预测概率密度可表示为：

则更新后的多目标后验概率密度可表示为：

其中， 表示漏检情况下对预测进行更新得到的多伯努利参数集，表示对量测集进行更新得到的多伯努利参数集，Zk表示k时刻的量测集合，z表示量测集合的元素；Mk＝Mk|k-1+|Zk|，|Zk|表示量测的个数， 和 分别表示k时刻目标i的存在概率和概率分布的更新；

(5)目标状态提取步骤：

为了避免粒子退化问题，对采样粒子集进行重采样，且根据采样粒子更新后的权值估计当前k时刻目标状态集Xk，此外，为了避免多伯努利参数集数量的冗余，本发明中将存在概率小于0.01的目标删除；

(6)目标紧邻自适应步骤：

当两个目紧邻时，跟踪结果往往会将两个目标判定为一个目标，从而造成跟踪错误，甚至出现目标漏跟现象；针对这种情况，本发明提出紧邻自适应处理机制；

(7)目标跟踪窗自适应步骤：

当视频目标尺寸发生较大变化时，跟踪窗不能包含目标的全部特征，造成信息丢失；为此，本发明提出跟踪窗自适应处理机制，使得跟踪窗能自适应目标尺寸大小的变化；

(8)粒子标记步骤：

本发明通过对粒子进行标记，以识别各个目标，从而实现对目标的轨迹跟踪。

2.根据权利要求1所述的目标跟踪方法，其中步骤(2b)中 由一组加权粒子表示，即：

其中， 表示k-1时刻目标i的第j个采样粒子的权值， 表示k-1时刻目标i的第j个采样粒子的状态向量， 表示k-1时刻目标i的采样粒子个数，δ(·)为狄拉克函数；

新生粒子由新生目标参数 直接采样获得，存活目标多伯努利参数表示为：

其中，pS,k为k时刻目标存活概率，

3.根据权利要求1所述的目标跟踪方法，其中步骤(4)中 由一组加权粒子表示，即：

其中， 表示k时刻目标i的第j个采样粒子的权值的预测值， 表示k时刻目标i的第j个采样粒子的状态向量的预测值；

新的粒子集进行多伯努利参数更新，

其中， 表示量测y对k时刻预测采样粒子 的似然，此处采样粒子似然可由步骤(3c)获得。

4.根据权利要求1所述的目标跟踪方法，其中步骤(6)所述的紧邻目标自适应处理，按如下步骤进行：(4.1)判定目标是否紧邻

以水平方向紧邻为例，假设目标i与目标j，两个目标的水平距离表示为 若 小于阀值 判定两个目标水平方向上基本重合，不需要处理；而当 大于阀值 且小于阀值时，判定两个目标在水平方向上紧邻，且做分离处理，更新目标的位置参数；

(4.2)紧邻目标分离处理

wi、wj分别表示目标i、目标j的矩形框的宽，当判定两个目标水平方向上紧邻后，对两个目标进行水平分离处理为：(4.2.1)目标i的状态为xi＝[mi,ni,wi,hi]，目标j的状态为xj＝[mj,nj,wj,hj]，α＝0.15；

(4.2.2)两个目标的水平距离为 若 则到步骤(4.2.3)；否则，无需进行分离处理；

(4.2.3)若mi≤mj，则mi＝mi-wiα,mj＝mj+wjα；否则，mi＝mi+wiα,mj＝mj-wjα；垂直方向紧邻判断与分离处理方法与水平方向方法相同。

5.根据权利要求1所述的目标跟踪方法，其中步骤(7)所述的目标跟踪窗自适应处理，按如下步骤进行：(5.1)获取目标扩展状态

假设第k帧目标i跟踪结果中，提取出的目标状态为 目标i跟踪结果的扩展状态为

(5.2)目标估计状态更新

二值化图像，获取目标i的矩形框内包含最大连通区域的最小矩形框 则目标估计状态更新为 参数β取0.6；

(5.3)特殊情况处理

在某些情况下，当两个目标紧邻时，两个目标的连通区域会合并成一个连通区域，或者由于背景干扰，一个目标由两个或多个连通区域组成，这些情况可能导致最大连通区域发生突变；本发明将采用多个时刻的状态融合方法，解决最大连通区域突变导致的跟踪窗自适应失败的问题，即：

其中，设参数μ为0.5，d为5，即k时刻目标i的状态xk,i是由前5帧该目标的状态与当前时刻的 加权求和得到的值。

6.根据权利要求1所述的目标跟踪方法，其中步骤(8)所述的粒子标记技术，按如下步骤进行：(6.1)标记预测，k-1时刻，存活目标的多伯努利分量粒子标记可表示为：

其中，Mk-1表示伯努利分量的个数， 表示第i个伯努利分量的粒子数，且即同一个伯努利分量的粒子标记相同；新生的多伯努利分量的粒子标记可表示为：

其中，MΓ表示新生伯努利分量的个数， 表示第i个新生伯努利分量的粒子数，且则伯努利分量标记的预测可以表示为：Tk|k-1＝Tk-1+TΓ；

(6.2)标记更新，量测跟新后伯努利分量的标记可表示为：

其中，|Zk|表示量测个数，

(6.3)重采样，重采样后的粒子与它们的父辈粒子具有相同的标记，重采样后的伯努利分量的标记为：

其中Mk为量测跟新后伯努利分量个数，通过比较各个伯努利分量的标记即可识别各个目标的运动轨迹；其中，当目标合并时，合并目标的标记为被合并两个目标存在概率较大目标的标记。