1.一种基于迁移学习的跨视角轨迹模型构建方法，其特征在于，具体按照以下步骤实施：步骤1、构建目标域目标轨迹特征值序列集合；根据标签对已知标签的特征值序列进行分类，得到Bn类特征值序列集合；其中，目标域由x个标签已知的特征值序列和y个标签未知的特征值序列组成，且且y＞＞x；

步骤2、采用步骤1的构建方法，构建源域目标轨迹特征值序列集合；根据标签对特征值序列进行分类，得到Cn类特征值序列集合；其中，源域的特征值序列标签均已知；

步骤3、采用步骤2中的特征值序列对HMM模型进行训练，得到Cn个轨迹类别的HMM模型；

步骤4、根据步骤1中的特征值序列集合、步骤2中的特征值序列集合构建源域到目标域特征之间的映射模型，并据此模型得到目标域观测概率；

步骤5、根据步骤1中的特征值序列集合、步骤4中的训练模型参数校准目标域转移概率，即得目标域隐马尔科夫模型。

2.如权利要求1所述的基于迁移学习的跨视角轨迹模型构建方法，其特征在于，所述步骤1具体按照以下步骤实施：步骤1.1、跟踪视频帧序列中的目标得到目标轨迹坐标序列框选视频帧序列中第一帧目标区域作为跟踪模板，提取目标颜色特征；采用粒子滤波跟踪框架对目标逐帧跟踪得到轨迹坐标序列；按Δt＝0.3s的时间间隔对跟踪轨迹坐标序列 均匀采样；其中，(xt,yt)为t时刻的目标位置坐标；

步骤1.2、对步骤1.1的目标轨迹坐标序列去噪使用滑动窗口大小为5的均值滤波器滤除步骤1.1中得到的轨迹坐标序列的噪声点；均值滤波公式如下：步骤1.3、提取步骤1.2的目标轨迹坐标序列的角度特征采用如下公式提取角度特征：

式中，(xt,yt)为t时刻的目标位置坐标；

步骤1.4、离散化步骤1.3提取的角度特征得到特征值序列根据所得角度 采用24方向链码离散化得到特征值Ot，进而得到特征值序列OT＝O1O2…Ot…；

步骤1.5、根据标签对特征值序列进行分类，得到Bn类特征值序列集合。

3.如权利要求2所述的基于迁移学习的跨视角轨迹模型构建方法，其特征在于，所述步骤1.1中，提取目标颜色特征具体过程如下：假设目标区域的中心位置为(x0,y0)，则目标区域的宽和高分别为w0和h0，在目标区域某一点pi＝(xi,yi)的像素处，目标特征可以表示为：式中，k为归一化系数；a、N分别表示目标区域的像素数目和尺度；ui表示每个特征子空间；δ为狄拉克函数；k(r)＝1-r2为权值函数；

设粒子状态为 观测值为Zk，建立粒子所在区域的候选模型q＝{qi}i＝1,…N，采用Bhattacharyya系数度量粒子区域和目标区域特征的相似度：则t时刻的状态Xt的观测方程为：

4.如权利要求2所述的基于迁移学习的跨视角轨迹模型构建方法，其特征在于，所述步骤1.1中，粒子滤波跟踪过程具体如下：(1)粒子初始化

t＝0时，进行粒子初始化，随机生成粒子集 并设置权值，权值为1/N；

(2)预测；根据系统的预测过程预测各个粒子的状态预测过程中，预测的当前位置 与上一时刻的位置是线性高斯关系，即所谓的运动方程：式中，uk是外界输入，ωk是高斯误差；

(3)更新；根据观测值更新粒子权值

归一化权值

(4)重采样；复制一部分权值高的粒子，同时去掉一部分权值低的粒子根据各自归一化权值 的大小复制/舍弃样本 得到N个近似服从 分布的样本 令

(5)输出；使用粒子和权值估计当前的状态输出是粒子集 使用粒子状态和权值估计当前的状态，从而得到当前时刻目标坐标：

(6)采用(2)～(4)的方法对其余视频帧进行跟踪，得到轨迹坐标序列。

5.如权利要求2所述的基于迁移学习的跨视角轨迹模型构建方法，其特征在于，所述步骤1.4中，24方向链码离散化具体如下：将角度区域，即360°平均分为24个区间，并用1-24标记24个区间，一个数字对应一个角度区间；角度 在哪个角度区间，就记为该区间对应的数字。

6.如权利要求2所述的基于迁移学习的跨视角轨迹模型构建方法，其特征在于，所述步骤3具体过程如下：步骤3.1、对HMM模型λ＝(A,B,π)随机初始化，得到初始HMM模型；其中，A是转移状态概率，B是观测状态概率，π是初始状态概率分布；

步骤3.2、计算某一类别轨迹中M个特征值序列OS在这个模型下出现概率P(OS,I|λ)的累乘 其中，I为隐状态序列；

步骤3.3、利用Baum-Welch算法极大化步骤3.4、对初始HMM模型λS＝(AS,BS,πS)进行重估，直至模型参数迭代不再提高，得到该类序列的最优HMM模型步骤3.5、采用步骤3.1-步骤3.4的方法对其余轨迹类别进行训练，得到源域Cn个轨迹类别的HMM模型

7.如权利要求6所述的基于迁移学习的跨视角轨迹模型构建方法，其特征在于，对初始HMM模型λS＝(AS,BS,πS)重估过程具体如下：(1)定义前向变量

αt(i)＝P(O1，O2，…Ot，I/λ)1≤t≤T-1    (11)式中，aij,bj分别是A，B的矩阵参数；

(2)定义后向变量

βt(i)＝P(Ot-1，Ot-2，…OT，I/λ)1≤t≤T-1    (13)式中，aij,bj分别是A，B的矩阵参数；

(3)对αt(i)进行处理

初始化

递归：

(4)对βt(i)进行处理

初始化

递归

(5)重新计算

式中， 分别是π，A，B的矩阵参数。

8.如权利要求6所述的基于迁移学习的跨视角轨迹模型构建方法，其特征在于，所述步骤4具体按照以下步骤实施：步骤4.1、根据步骤1中的特征值序列集合、步骤2中的特征值序列集合构建源域到目标域特征之间的映射模型，映射关系如下：式中，w、b为特征映射拟合曲线方程系数；OS是源域编码样本； 是映射后的目标域编码数据；

目标函数为：

式中，OT是真实目标域编码数据；

步骤4.2、将步骤3中最优HMM模型 中的观测状态概率 按照步骤4.1的映射关系赋为目标域观测状态概率初始值BT。

9.如权利要求8所述的基于迁移学习的跨视角轨迹模型构建方法，其特征在于，所述步骤5具体按照以下步骤实施：步骤5.1、将步骤4.3中的模型参数 作为对应的目标域模型λT的初始值 πT；

步骤5.2、根据模型 做若干组仿真数据；

步骤5.3、计算步骤5.2中仿真数据与步骤1中目标域同一轨迹类别特征值序列的相似度；

步骤5.4、以相似度高为目标函数，采用优化算法计算目标域转移概AT；计算公式如下：式中，g(·)为模型 仿真生成数据的均值；

步骤5.5、采用约束优化算法校准目标域转移概率，即得目标域隐马尔科夫模型采用内点法求解最优ΔA，计算目标域模型 仿真数据与OT的相似度，若大于等于相似度阈值，将上一步优化得到的ΔA作为初始值重新进入内点法的迭代，直至小于相似度的阈值；即得目标域隐马尔科夫模型 其中，约束条件为约束条件是转移概率矩阵 以及 的每一个元素均大于0，且每一行元素和为

1。

10.如权利要求8所述的基于迁移学习的跨视角轨迹模型构建方法，其特征在于，所述步骤5.2具体过程如下：给定HMM模型λ＝(A,B,π)，则观察序列O＝O1O2…Ok可由以下步骤产生：(1)根据初始状态概率分布π＝πi,选择一初始状态Q1＝i；

(2)设t＝1；

(3)根据状态i的输出概率分布bjk，输出Ot＝k；

(4)根据状态i的输出概率分布bjk，输出Ot＝k；

(5)设t＝t+1，如果t

所述步骤5.3中，相似度的度量大小由欧式距离决定，欧式距离计算公式如下：式中， OT分别为模型 仿真的数据集均值与步骤1中标签特征值序列集均值，两者同属一个轨迹类别；

相似度计算公式如下：