1.一种基于结构稀疏表示的交通多目标跟踪方法，包括如下步骤：S100：利用交通运动目标与检测响应之间的几何位置关系和基于外观变化的空域约束关系构建该交通运动目标的时空约束模型；

S200：利用所述时空约束模型获得改进稀疏表示外观模型，该改进稀疏表示外观模型是通过基于权值约束的判别式稀疏表示和基于遮挡分析的局部稀疏表示获得的；

S300：基于所述时空约束模型和所述改进稀疏表示外观模型进行检测响应估计，获得最优检测响应；

S400：基于所获得的最优检测响应进行轨迹关联估计，获得最终的轨迹-检测响应关联概率进行数据关联。

2.根据权利要求1所述的方法，所述S100进一步包括：对于当前帧中的N个检测响应与M条轨迹，存在M个交通运动目标状态 针对N个检测响应所建立的时空约束模型为：M，N为正整数，对于第t帧中任意的检测响应 表示 与 的关联索引， 中与 时空关联建立的条件是其中，优选的，第t帧中，对于任意的交通运动目标状态 和检测响应 其对应的时空约束模型为：式中， 和 为交通运动目标状态 的中心位置坐标， 和 为检测响应 的中心位置坐标，w和h分别为交通运动目标状态 对应边界框的宽度和高度，fst是基于交通运动目标状态 与检测响应 几何关系的时域约束；如果 和 代表同一个交通运动目标，则它们的几何位置将很近，fst＝1表示 与 在时域上关联，反之，fst＝0表示 与 在时域上不关联；fa是 和 基于外观变化的空域关系约束，描述交通运动目标与检测响应在连续帧中的空域关系； 表示 和 的外观差异，如果和 之间基于稀疏表示的外观差异小于预定义阈值，则 与 在空间上关联，fa＝1，反之，fa＝0表示 与 在空域上未关联； 和 分别表示第i个检测响应 和j个交通运动目标状态 的稀疏直方图，D′表示稀疏直方图的维度，τ为预定义阈值； 表示和 之间的关联索引，其值由fst和fa共同决定。

3.根据权利要求1所述的方法，所述S200进一步包括：S201：基于稀疏表示的样本采集，具体为：对于第t帧中任意的检测响应 利用轨迹的历史信息构建相应的稀疏表示字典模板

其中，t为正整数， 和 分别表示轨迹 的起始帧和终止帧，n表示字典模板的数目； 为检测响应 的灰度值，将其归一化为32×32的大小并将其转换为列向量；

对于第t帧中任意的轨迹 从轨迹 的历史轨迹 中采集Np个正样本，从 的互斥轨迹 中采集Nn个负样本，其中，Np，Nn为正整数；对于任意的 仅从中采集n′个候选检测响应，n′为正整数；根据所述的时空约束模型 消除 中不可能成为 下一帧目标状态的候选检测响应，从而获得基于时空约束的交通运动目标的稀疏样本；

S202：基于权值约束的判别式稀疏表示，具体为：对于任意的轨迹 经所述交通运动目标的时空约束模型计算所获得的候选检测响应为 令 K＝32×32，引入目标模板Fi权值约束对于候选检测响应z，其对应的稀疏系数αi求解为：式中，λ为规则化参数，z表示任意帧中的任意一个候选检测响应；

然后获得候选检测响应z的相似度为：

H(z)＝exp(-(ε+-ε-)/σ)式中 为候选检测响应z基于正样本稀疏模板集F+中Np个正样本的重构误差， 是相应的稀疏系数向量； 是候选检测响应z基于负样本稀疏模板集F-中Nn个负样本的重构误差， 是相应的稀疏系数向量；σ是调节侯选检测响应z相似度的常数；

S203：局部稀疏表示为：

经所述交通运动目标的时空约束模型获得第t帧中任意轨迹 的候选检测响应对于候选检测响应 提取M′个局部图像块 然后获得候选检测响应局部图像块zi，m′的稀疏表示：

式中，λ2是稀疏控制参数， 是相应局部图像块zi，m′的稀疏系数向量；对于Fi中第n个目标模板，其对应的m′个局部图像模板为dm′是第m′个局部图

像块向量的维数；

对于任意的候选检测响应 将其对应的局部图像块的稀疏表示进行合并，获得候选检测响应 的稀疏直方图表示B＝{β1，…，βM′}；

S204：基于遮挡分析的局部稀疏表示具体为：基于所述局部图像块稀疏系数向量，计算任意局部图像块zi，m′的重构误差：i，m′

然后，定义局部图像块z 的遮挡程度指标φi，m′：i，m′

式中，ε0为预定义的阈值；如果εi，m′＞ε0，则表示局部图像块z 存在遮挡现象，设定为φi，m′＝0，反之，设定为φi，m′＝1；

然后，基于局部图像块遮挡程度指标，计算目标模板稀疏直方图式中，⊙表示向量间的点积；

最后，根据直方图相交原则，计算候选检测响应稀疏直方图 与目标模板稀疏直方图之间的相似度：S205：基于改进稀疏表示的外观模型为：候选检测响应z与轨迹T基于改进稀疏表示的外观模型pa：式中，Hz和Lz分别为候选检测响应z与轨迹T基于权值约束的判别式稀疏外观相似度和基于遮挡分析的局部稀疏外观的相似度。

4.根据权利要求1所述的方法，所述S300进一步包括：S301：依据时空约束模型，计算第t帧中任意检测响应 的先验检测概率：式中， 为基于kalman运动模型计算得到的转移密度；

S302：基于 与交通运动目标状态 的时空约束关联关系，根据外观，形状及运动信息计算得到基于时空约束的检测响应似然概率：式中，pa，ps和pm分别表示检测响应 与交通运动目标状态 的外观相似度，形状相似度及运动相似度；

式中，ps中，(hx，hz)，(wx，wz)分别表示检测响应 和交通运动目标状态 边界框的高度和宽度，pm中S(·)表示检测响应 和交通运动目标状态 边界框的面积；

S303：通过下式 得到基于时空约束的后验检测估计概率，从而得到第t帧中最优的检测响应

5.根据权利要求4所述的方法，所述S400进一步包括：S401：轨迹先验关联概率计算为：

式中， 为所述的后验检测估计概率，n′是基于所述时空约束模型 的zi与 之间的匹配对个数；

S402：轨迹关联似然函数计算为：

式中， 是检测响应zi与轨迹Tj关联的相似度，其中，利用外观和运动信息计算它们之间的关联相似度：p(zi|Tj)＝pa(zi|Tj)pm(zi|Tj)i j i j i j j

式中，pa(z |T)为检测响应z 与轨迹T的外观相似度，pm(z |T)为轨迹T 的尾部位置与头部位置 基于帧差Δt的运动相似度，具体定义为：j

其中，p和v分别表示轨迹T头部和尾部的位置及速度；

S403：通过下式

计算得到轨迹后验关联概率，即得到成对的轨迹-检测响应关联概率。