1.一种自适应分层关联多目标跟踪方法，其特征在于包括以下步骤：步骤1、以颜色相似度为手段对前N帧的检测结果进行匹配，形成各个目标在前N帧的初始轨迹，定义目标i在当前第t帧的跟踪结果为 其中，(x,y)为目标区域中心坐标，(w,h)为目标的宽和高，则目标的轨迹Ti是目标从出现到当前帧跟踪结果的集合，表示为 其中，m是帧号，和 分别是轨迹的开始帧和结尾帧，形成初始轨迹包括以下过程：

(a)把第一帧的所有检测结果作为待追踪的目标；

(b)计算其中一个待追踪目标i和当前第t帧第j个检测结果 的颜色相似度，采用Bhattacharyya系数ρ来计算， 其中，p和q分别是目标i和检测结果j的HSV颜色直方图，如果ρ＞0.7，则将检测j作为待追踪目标i的子节点；

(c)重复步骤(b)，直至计算完所有待追踪目标的子节点；

(d)对所有待匹配检测结果进行统计，同一个检测结果可能有被多个待追踪目标当成子节点的情况，则分别依次形成多个轨迹，最后，选择其中最长或者相似度最高的轨迹，其余的则被舍弃；

步骤2、选出N帧都有跟踪结果的初始目标轨迹，把这些目标的所有跟踪结果框作为样本集合，训练出ILDA模型，包括以下过程：(a)假设有k个目标，第i(1≤i≤k)个目标有ni个样本，计算每个样本的HSV颜色直方图向量 则目标i的均值向量为 所有目标的总体均值向量(b)计算所有样本类内离散度矩阵为 样本类间离散度矩

阵为

(c)通过对 Sb进行特征分解获得其特征向量，将特征值按照大小进行降序排列，取前k-1个特征向量组成投影矩阵WILDA；

步骤3、目标在前一帧有跟踪结果称为连续轨迹，根据当前的ILDA模型指导连续轨迹和当前帧中的检测结果进行二分匹配，使得连续轨迹得以增长；

步骤4、目标在前一帧没有跟踪结果称为断开轨迹，根据当前的ILDA模型指导断开轨迹和候选目标进行二分匹配，候选目标包括其余的轨迹和步骤3剩余的未匹配的检测结果，使得断开轨迹得以增长；

步骤5、如果当前帧仍然有剩余的检测结果没有匹配，判断其是否为一个新出现的目标；

步骤6、自适应地用跟踪结果来更新ILDA模型各个参数；

步骤7、判定是否为结尾帧，如果是，则结束跟踪，否则返回步骤3。

2.如权利要求1所述的自适应分层关联多目标跟踪方法，其特征在于，所述步骤1中的N帧具体设定如下：N在实验中取值为五，因为判定一个新目标出现的条件是该目标连续出现五帧，所以用目标在前五帧的初始轨迹来训练接下来的ILDA模型最为合理。

3.如权利要求1所述的自适应分层关联多目标跟踪方法，其特征在于，所述步骤3中连续轨迹的增长过程具体如下：(a)计算h个连续的轨迹和m个检测结果Zt的关联代价矩阵S＝[sij]h×m，其中，sij＝-log(ρ(WILDAmi(c),WILDAf(ztj)))，sij是第i个连续轨迹Ti和第j个检测结果 的关联代价，mi(c)是连续轨迹的均值向量， 是检测结果的HSV色彩直方图向量；

i(c)

(b)根据上面的关联代价矩阵S进行二分匹配，具体过程为：当目标i的轨迹T 和检测的关联代价sij低于预先设定的阈值-log(θ)(θ实验中取值为0.7)，则两者是可以关联的关系，计算出所有可以关联的关系后，用匈牙利算法得到二分匹配的最优结果；

(c)把匹配后的最新跟踪结果 加入连续轨迹Ti(c)。

4.如权利要求1所述的自适应分层关联多目标跟踪方法，其特征在于，所述步骤4断开轨迹的增长过程具体如下：(a)考虑l个断开轨迹Ti(d)和n个剩余的检测结果 进行匹配，关联代价矩阵为C＝[cij]l×n，其中，cij＝-log(ρ(WILDAmi(d),WILDAf(ytj)))，mi(d)是断开轨迹的均值向量， 是检测结果的HSV色彩直方图向量，依据关联代价矩阵C，用匈牙利算法进行二分匹配，依然采用连续轨迹增长中用到的阈值θ，由此得到了匹配的最优结果；

(b)考虑l个断开轨迹Ti(d)与满足时间约束的h个连续轨迹Tj(c)进行匹配，满足时间约束即指断开轨迹的结尾帧 小于连续轨迹的开始帧 关联代价矩阵为A＝[aij]l×h，其中，aij＝-log(ρ(WILDAmi(d),WILDAmj(c)))，mi(d)和mj(c)分别是断开轨迹和连续轨迹的均值向量，依据关联代价矩阵A，用匈牙利算法进行二分匹配，依然采用连续轨迹增长中用到的阈值θ，由此得到了匹配的最优结果；

i(d)

(c)把匹配后的最新跟踪结果 加入断开轨迹T 。

5.如权利要求1所述的自适应分层关联多目标跟踪方法，其特征在于，所述步骤5判断新目标出现具体设定如下：如果当前帧仍然有尚未匹配的检测结果，则暂时把该检测结果初始化一个候选新目标，如果该候选新目标接下来能够连续五帧匹配到跟踪结果，则可以断定该候选新目标的确是一个新目标，否则删除该候选新目标。

6.如权利要求1所述的自适应分层关联多目标跟踪方法，其特征在于，所述步骤6中自适应更新ILDA模型具体设定如下：对于目标i，在当前帧匹配到跟踪结果 则计算跟踪结果 投影后的特征 和目标的ILDA模板均值mi的差异，定义为：

当差异Δ大于一定阈值，则把该跟踪结果 放入用来更新ILDA模板的增量样本集里，每隔五帧，用增量样本集来更新ILDA模板相关参数，更新的参数包括各个目标的均值向量mi，类间散度矩阵Sb，类内散度矩阵Sw，投影矩阵WILDA。