1.基于Lp范数正则化的增量子空间目标跟踪方法，其特征在于，包括下列步骤：步骤一、读入第一帧图像Image1，手动标记视频序列第一帧的目标图像，降采样目标图像并转为列向量 d为目标图像的特征维数，初始化子空间D和奇异值对角矩E为空矩阵；

步骤二、读入下一帧Imaget+1，t≥1，基于Ross的方法获取t+1帧候选样本的运动状态集合 并将对应图像作为目标函数中的观测样本的集合 其中m为样本的个数；

步骤三、标记第i个观测样本 同时确定当前t+1帧帧号，若t+1≤5，则计算观测样本 与第t帧真实目标状态 的残差，得出t+1帧的最佳目标状态并收集样本It+1，转入步骤八；否则直接转入步骤四；

步骤四、对观测样本 构建目标函数，并对重构样本与观测样本的残差 直接进行拉普拉斯建模||e||1，以容纳目标跟踪中受到的离群子干扰；针对储存目标信息的PCA子空间 的目标系数 利用Lp范数正则化其目标系数项||c||p，以在重构样本时，消除冗余特征的干扰；在增广拉格朗日算法下构建目标函数；

步骤五、基于APG算法，对目标函数进行最小化计算，获得收敛的残差e*和目标系数C*；

步骤六、评估所有候选样本成为真实目标状态的置信度，获得第t+1帧的最佳目标状态步骤七、获取到最佳目标状态 后，进一步收集样本步骤八、若收集的样本I达到五个，则采用Ross的更新方法对子空间及其均值向量进行更新，并重置收集的样本个数为0；若未达到5个，则不更新目标子空间；

步骤九、若视频未结束，则转入步骤二，读入下一帧图像；否则跟踪结束。

2.根据权利要求1所述的基于Lp范数正则化的增量子空间目标跟踪方法，其特征是，步骤二对候选样本进行采样，具体方法为：

1)以第t帧目标 为中心，用六个仿射参数来描述候选样本的运动状态:x＝{lx，ly，θ，s，α，φ}，这六个仿射参数分别表示水平位置平移lx,垂直位置平移ly,转角θ,尺度s,高宽比α,斜度φ,并独立服从高斯分布；

2)进行状态转移，获取t+1帧所有的运动状态xt+1：p(xt+1|xt)N(xt+1；xt，Φ)，其中φ为对角协方差矩阵，其对角元素为六个仿射参数的标准差，N表示高斯分布， 的运动状态对应的图像块便作为观测样本

3.根据权利要求1所述的基于Lp范数正则化的增量子空间目标跟踪方法，其特征是，步骤三若当前桢号t+1≤5时，得到第i个候选样本的残差 并通过如下评价机制来评估对应候选样本的置信度：

p(y|x)＝exp(-||ei||1)

p(y|x)值最大的候选样本设为当前的最佳目标状态 并收集样本：

4.根据权利要求1所述的基于Lp范数正则化的增量子空间目标跟踪方法，其特征是，步骤四若当前桢号t+1＞5，则针对观测样本 构建目标函数，为了方便描述，我们将观测样本简写为y，则具体步骤为：

1)针对由目标PCA基向量构成的子空间，需避免冗余特征的干扰，采用Lp范数对子空间的映射系数进行稀疏化，则有以下最小化函数：其中y为输入的观测样本，D为当前的PCA子空间，c为观测样本对应的目标系数，用于在子空间中挑选目标的特征成分，ρ为稀疏调节参数；

2)针对跟踪过程中目标产生的离群子处理，舍弃矩形模板的协作表示方法，针对残差y-Dc，直接进行拉普拉斯建模，通过残差的非0部分来识别离群子的存在，则有：

3)令e＝y-Dc,并作为约束条件，则有：

在增广拉格朗日算法的框架下可以得到以下目标函数：其中<·>表示内积操作，γ表示拉格朗日乘子，τ是个惩罚参数，用来惩罚目标的重构误差，{τk}为单调递增序列。

5.根据权利要求1所述的基于Lp范数正则化的增量子空间目标跟踪方法，其特征是，步骤五针对目标函数进行最小化计算，求取对应的最优参数c*和e*，所使用的迭代加速近邻梯度APG算法包括：

1)输入观测样本y，目标的PCA子空间D；

2)设置初始变量，其中残差项初始变量e0＝e-1＝0，目标系数初始变量c0＝c-1＝0，变量t0＝t-1＝1,τ0＝10；

3)开始进行迭代操作，将步骤四中目标函数转化为

并取其中凸可微部分作为APG算法中的

令k作为当前的迭代次数，固定残差项e和目标系数项c中的某一项进行迭代计算；取 作为APG算法中目标系数项c的辅助变量， 为APG算法中残差项e的辅助变量，令k从0开始迭代到c和e收敛为止，有以下迭代过程：其中γk和τk分别为第k次迭代获取的拉格朗日乘子和惩罚参数， 为一常数，确保{τk}单调递增，并取 t为整个迭代过程用于更新 和 的中间变量，ξ为APG算法中的利普希茨常数，取ξ＝10；上述迭代过程中，残差项的最小化问题可以通过软阈值

算法求解：

软阈值操作为：Sθ(x)＝sign(x)max(|x|-θ，0)；上述迭代过程中，目标系数项的最小化问题 可以通过广义软阈值操作迭代求解，求解过程为：

a)输入中间变量 和ck，并令 λ＝ρ/τξ，

其中 设定范数值为p，这边取p＝

0.5；

b)计算阈值：

c)对向量 取绝对值，且向量中小于阈值τgst的元素取0；

d)进行迭代计算，设置当前迭代次数i＝0，并令 开始迭代直到收敛为止，则有：e)输出

4)输出求解过后最优的目标系数项c*和残差项e*。

6.根据权利要求1所述的基于Lp范数正则化的增量子空间目标跟踪方法，其特征是，步骤六当t+1＞5时，有如下的评价机制来评估候选样本的置信度：p(y|x)＝exp(-σE(c*，e*))

其中 σ是常数，用来控制高斯核的形

状，取σ＝10；δ为常数，用来调节残差的惩罚程度，取δ＝0.5，该式前半部分用来描述实际情况下的目标表示误差，后半部分用来衡量残差的离群程度。

7.根据权利要求1所述的基于Lp范数正则化的增量子空间目标跟踪方法，其特征是，步骤七中用于更新子空间的样本收集方法为：其中μj为子空间更新中获取的均值向量μ的第j个元素值， 为t+1帧确定出的最佳目标状态 的第j个元素值，目标状态 对应的残差向量e，值为非0的位置可考虑为离群子存在，利用子空间中的均值向量对应位置来替换，值为0的位置考虑为未受离群子干扰，直接利用当前确定的最优样本的值。

8.根据权利要求1所述的基于Lp范数正则化的增量子空间目标跟踪方法，其特征是，步骤八利用基于Ross的方法来增量更新PCA子空间，即每收集到5个样本后，添加进当前的PCA子空间获取新的子空间与目标的均值向量，每一次更新后子空间的主成分数量便增加5个，当子空间主成分超过16个之后，取前16个作为新的子空间，并保持最大数量16个不变，具体步骤为：

1)给定t+1帧子空间D，将D中的基向量组成数据矩A＝[I1，I2，…，In]，同理将步骤六收集到的样本组成数据矩B＝[In+1，In+2，...，In+m]，m＝5)，A对应的均值向量 B对应的均值向量 令C＝[AB]；

2)计算均值向量

3)生成矩阵

4)正交化计算 计算

5)对R进行SVD奇异值分解：

6)获取新的子空间 新的奇异值对角矩 及新的均值向量