1.一种基于时空非局部正则的相关滤波视频跟踪方法，其特征在于，包括以下步骤：步骤一、利用所要跟踪目标的运动信息定位粗略的前景，得到粗运动边界；

步骤二：利用超像素分割算法来把整个视频序列分割成一系列超像素，结合粗运动边界，得到粗目标掩模；

步骤三：利用空间中和时域中的非局部长期表观信息设计一个时空图模型来给每个超像素分配前景或者背景的标签；

步骤四：利用空间中和时域中的非局部长期表观信息来抑制背景噪声，以此来进行时空非局部表观模型的学习，然后通过优化步骤三所述时空图模型更新表观模型和预测标签，最终分割出前景目标的掩模；

步骤五：利用分割好的掩模来产生一个目标位置概率图，将目标位置概率图作为权重因子去正则化相关滤波模型，最大化相关滤波响应值即为最终的跟踪结果；

所述目标位置概率图设计过程为：

1 2 k

使S＝{S ,S ,…,S}表示一个视频序列中的k帧内的所有超像素， 是第t帧时的超像素集，并且 表示在第t帧中的第i个超像素， 是在超像素i里t

面对应的平均HSV和RGB颜色特征构成的表观模型，Pi是超像素i的中心位置，并且表示超像素i的标签，0表示背景，1表示前景，前景分割被建模成最小化能量函数其中， 是一个一元概率，表示第t帧中第i个超像素是前景或背景的概率，定义为：

t t

其中A 是利用高斯混合模型计算到的在超像素 上的颜色得分，并且，L 是由t‑1帧中t‑1

内‑外图M 中的欧式距离计算出来的位置得分， 和 是一对概率，分别考虑空间和时间的平滑度，Ns是同一帧中超像素的空间近邻集合，Nt则表示时间近邻集合，通过迭代求解不断更新表观模型，即可得到能量函数 的解；

最小化 获得标签集 和更新过的超像素信息 则目标位置概率图设计如下：

正则化相关滤波模型的具体过程为：首先，输入t帧时的多通道特征中的第l层特征 高斯型的响应函数g，目标位置概率图o；用t‑1帧时的滤波器 来初始化当前滤波器接着，全零初始化拉普拉斯系数 利用 和 迭代求解出 利用 和 迭代求解出 利用 和 来更新

最后，根据当前第l层的CF滤波器和第l层特征 检测出每层的响应值；

将每层的响应值叠加起来即最终的响应图，最大响应值的位置即跟踪结果。

2.根据权利要求1所述基于时空非局部正则的相关滤波视频跟踪方法，其特征在于，步骤一中得到粗运动边界的方法为：使 表示在像素i处的光流向量， 表示在像素i处的运动边界， 表示像素i和它的近邻N的运动方向之间的差异，则运动边界概率被估计为：m

其中， λ是一个控制函数倾斜度的参数，θi,j表示 和 之间的角度，ρ是一个阈值，这里设置为0.5。