1.一种基于特征选择与光滑表示聚类的视频动态目标提取方法，包括如下步骤：步骤1，视频序列数据预处理；假设视频序列为f＝[1,2,…,F]，共F帧，选取N个像素点，对每一帧的N个像素点 进行提取和跟踪；这样就得到N条链，又称为像素轨迹，每条链表示为一个长度为2F的向量 N条像素轨迹组合成一个2F×N的矩阵Y＝[y1,y2,…,yN]∈R2F×N；

步骤2，以视频序列矩阵Y为输入，建立FSSR聚类模型s.t.pT1＝1 pi≥0

其中Z是表示系数矩阵，p是特征选择向量，L是拉普拉斯矩阵，L＝D–W，D是对角度矩阵，W＝(wij)为相似图，wij＝||yi-yj||2代表两个数据点之间的距离相似度，采用0-

1权重来构造k近邻图W，λ为正则项系数，tr(·)是矩阵的迹；

步骤3，使用增广拉格朗日函数和交替方向乘子法对函数模型优化；引入虚变量J＝Z，根据增广拉格朗日函数可以使目标模型转化为如下形式s.t.pT1＝1 pi≥0

最优表示系数矩阵Z*的求解过程如下：输入：视频序列矩阵Y，参数值λ，ρ和κ，最大迭代数tmax初始化：Z，J，p，Θ，t＝0；

迭代31–34：

31.根据式(1)计算辅助变量J；

J＝(YTdiag2(p)Y+ρI)-1(YTdiag2(p)Y+ρZ-Θ)  (1)

32.根据式(2)计算表示系数矩阵Z；

-1

Z＝(ρJ+Θ)(2λL+ρI)   (2)

33.根据式(3)计算特征权值p；

p＝PM(p)  (3)

设 则p的初始解为 当设定特征选择参数M后，根据p的初始值对pi进行降序排序p1≥p2≥,...,≥pM≥pM+1≥,...,≥pd≥0，当i≤M时，pi保持初始值 不变；当i>M时，pi置为0，PM是表示这一关系的算子；

34.根据式(4)迭代Θ和ρ；

其中κ>1控制收敛速度，用于防止ρ变得过大，设置为108；

t＝t+1

直至t≥tmax或函数收敛，输出Z*；

步骤4，由步骤3求得表示系数矩阵Z*之后，利用公式求关联矩阵S；

步骤5，利用规范化分割算法对关联矩阵S进行分割，根据聚类结果最终提取出动态目标。