1.一种基于轨迹关联的多目标跟踪方法，其特征在于，首先场景自适应的局部轨迹生成方法能自适应地选取合适特征表征目标，且通过特征融合减少目标表征的二义性；其次，采用基于增量线性判决的表观模型有效减少计算量，且有效解决目标在显著形变、表观改变及长时遮挡下的识别问题，同时，采用基于非线性运动模型的轨迹填充策略，有效解决不满足线性运动轨迹间的关联问题，以生成更为平滑、连续的跟踪轨迹，包括如下步骤：步骤1：基于场景自适应方法生成局部轨迹，实现检测响应与原有轨迹关联,包括：利用前景检测技术实现图像目标的检测；基于场景自适应计算检测响应与已有轨迹间的关联性；判断检测响应是否成功关联某条轨迹；将成功关联的检测响应加入目标集合中，同时将未关联的检测响应作为新目标加入目标集合中；

步骤2：基于增量线性判决的表观模型，实现全局轨迹关联，具体过程如下：计算轨迹间的相似性：

基于运动模型，计算轨迹间的运动相似性：

上式中的Δt表示第i条轨迹Ti的尾部与第j条轨迹Tj的头部间的帧数；p和v表示经卡尔曼滤波后目标轨迹的位置与速度信息，Aa(.)表示轨迹间的表观相似性，Am(.)表示轨迹间的运动相似性，At(.)表示轨迹间的时间相似性，L是英文字母link的缩写形式；ΣΔt表示第i条轨迹Ti的尾部与第j条轨迹Tj的头部间的帧数和，G(·)为高斯函数；

时域模型保证了两条轨迹Ti与Tj在时间上没有重叠：

上式中的fi(e)表示第i轨迹Ti的结束帧，fj(s)表示第j轨迹Tj的起始帧；

基于增量线性表观模型Λ，计算轨迹间的表观相似性：

上式中U表示投影算子，T是英文字母transform的缩写形式，X,Y表示目标在帧中的位置，f(.)表示跟踪目标在图像帧所处位置的响应特征；

基于增量线性判决的表观模型，实现全局轨迹关联包括：运动模型、时域模型与表观模型在内的三个相似性模型；采用基于学习的表观模型更新策略：首先，从之前运动轨迹中提取在线训练样本；然后，基于增量线性判决法，将目标轨迹的表观信息投影到判决空间；

步骤3：基于非线性运动模型，实现轨迹片段间空缺填补，以获取完整且平滑的跟踪轨迹，包括：(1)分析新生成的轨迹Ti*：如果该轨迹为一单独轨迹，则将其归入最终的轨迹集合{Ti}；如果该轨迹包含两条以上的轨迹片段，则进入下一步；

(2)按时间先后顺序，排列轨迹Ti*对应的轨迹片段，并填补片段间的空缺：对由于目标遮挡引起的轨迹片段，采用线性运动模型进行填补；对由于运动状态突变引起的轨迹片段，采用非线性运动估计模型进行填补；

重复上述步骤(1)-(2)，遍历轨迹集合{Ti*}中每一条轨迹，剔除未能成功关联的轨迹片段，最终得到目标平滑而连续的轨迹；

轨迹关联包括：

假设轨迹中含有置信度高的轨迹片段集合为{T1*,T2*,…,TM*}，且Ti*的表达形式为:上式(40)中的tsi与tei分别表示轨迹片段i的开始帧与结束帧，dit＝{pit,sit,vit}表示t时刻的检测响应，pit、sit、vit分别表示位置信息、尺寸信息、速度矢量信息；

G(ptail+vtailΔt-phead，∑p)G(phead-vheadΔt-ptail，∑p)  (41)上式中的△t为ptail与phead的帧差，Σp表示△t的方差，G(·)为高斯函数；

所述方法只关联那些置信度较高的轨迹片段：首先，去除那些满足式(41)所示的线性运动模型的头部片段和尾部片段；然后，将那些满足非线性运动状态模型的片段，运用非线性运动模型进行关联；

所述方法的局部轨迹关联，包括：

定义D＝{di}为一系列检测响应，通过计算相似性得到目标的轨迹片段：Plink＝Apos(dj|di)Asize(dj|di)Aappr(dj|di)  (1)上式中的Apos(dj|di)表示不同目标间位置的相似性，Asize(dj|di)表示不同目标尺寸的相似性，Aappr(dj|di)表示不同目标间的表观相似性；

上式中的x1、y1与x2、y2分别为不同目标在连续两帧中的位置，σx与σy分别为当前轨迹片段的方差，Asize(d1|d2)表示目标尺寸的相似性：上式中的s1与s2分别为目标的尺寸，σs为当前所有轨迹片段面积的方差；

Aappr(d1|d2)表示目标间的表观相似性：

上式中的q、p分别表示不同目标灰度级的权重， 表示d1轨迹片段在第n个直方图级数下的权重， 表示d2轨迹片段在第n个直方图级数下的权重，N表示直方图的级数，BC(.)表示巴氏系数获得颜色间距离的度量；

采用基于场景自适应的关联策略，将当前检测响应关联成局部轨迹：

上式中的 表示检测响应di与轨迹Tj在特征表示fk下的距离度量，fk表示任意一个检测响应的特征， 表示响应特征fk与跟踪目标特征表示间差异的平均值， 表示响应特征fk与跟踪目标特征表示间差异的标准偏差。