1.一种结合时空拓扑估计的跨摄像机目标匹配与跟踪方法，其特征在于：包括以下步骤：S1.将两两摄像机之间的转移概率初始化为 M为监控网络中摄像机的数量；时间窗口设置为TW＝τ，τ为预设值，两两摄像机间的转移计数器初始化为0；

S2.设当前摄像机为Ci，摄像机Ci内的行人目标表示为Oi,a；在设定的时间窗口内搜索其他摄像机中出现的行人目标；

S3.设在摄像机Cj中搜索得到的行人目标为Oj,b，i≠j,1≤j≤M，计算行人目标Oi,a、Oj,b之间的匹配概率：为表示Oi,a、Oj,b之间转移关系的变量，当Oi,a、Oj,b之间存在转移关系时， 取1，否则取0； 表示目标Oi,a、Oj,b存在转移关系的后验概率，对应了目标Oi,a、Oj,b的匹配概率； 表示在转移关系 的条件下目标Oi,a、Oj,b的表观特征分布似然函数，定义为与目标表观相似度函数L(Oi,a,Oj,b)成正比， 表示两个目标存在转移关系的先验概率，通过计算摄像机Ci到摄像机Cj的目标转移概率得到；Pi,j(Oi,a,Oj,b)表示目标Oi,a,Oj,b的联合概率分布，是后验概率的归一化因子；

S4.对监控网络中除摄像机Ci外的所有摄像机执行步骤S2、S3，然后对得到的各个摄像机的行人目标与摄像机Ci的行人目标的匹配概率进行排序，将匹配概率最高的前m个行人目标作为候选匹配目标，对应的摄像机作为候选匹配摄像机，m的取值为1或2：其中，s1为最高的匹配概率，s2为次高的匹配概率，sτ为设定的阈值；

S5.计算摄像机之间的转移次数wp：

sp表示最高的匹配概率或次高的匹配概率，1≤p≤m；

当m＝1时，将摄像机Ci到摄像机Cg之间的转移计数Nig增加w1；当m＝2时，将摄像机Ci到摄像机Cg之间的转移计数Nig增加w1，然后将摄像机Ci到摄像机Ck之间的转移计数Nik增加w2；

其中摄像机Cg、摄像机Ck分别为与Ci匹配概率最高、次高的摄像机；

S6.将各个摄像机作为当前摄像机然后执行步骤S2～S5；

S7.计算摄像机Ci到摄像机Cj之间的转移概率：

S8.根据步骤S7计算两两摄像机之间的转移概率；

S9.记录摄像机Ci到摄像机Cj所有匹配的行人目标之间的时间间隔，构成时间序列Tij，然后利用自适应的Parzen窗算法估计出摄像机Ci与摄像机Cj之间的转移时间分布的概率密度曲线，取与曲线峰值对应的时间差值作为时间窗口大小T(Cj|Ci)的估计值；

S10.根据步骤S9估算出两两摄像机之间的时间窗口大小；

S11.更新摄像机Ci、摄像机Cj之间的转移概率：

Pij(k)＝(1-α)Pij(k-1)+αP(Cj|Ci)Pij(k)表示第k次迭代得到的摄像机Ci到摄像机Cj的转移概率，α是更新因子，0≤α≤1，Pij(k-1)表示第k-1次迭代得到的摄像机Ci到摄像机Cj的转移概率，当k＝1时，S12.根据步骤S11对两两摄像机之间的转移概率进行更新；

S13.更新摄像机Ci与摄像机Cj之间的时间窗口：

Tij(k)＝(1-η)Tij(k-1)+ηT(Cj|Ci)其中Tij(k)表示第k次迭代得到的摄像机Ci与摄像机Cj之间的时间窗口，Tij(k-1)表示第k-1次迭代得到的摄像机Ci与摄像机Cj之间的时间窗口，当k＝1时，Tij(k-1)＝τ，η表示更新因子；

S14.判断是否达到了设定的迭代次数，若是则输出转移概率以及时间窗口估计值，完成拓扑结构估计，结束迭代，否则令k＝k+1然后执行步骤S6～S14。

2.根据权利要求1所述的结合时空拓扑估计的跨摄像机目标匹配与跟踪方法，其特征在于：步骤S3通过求取目标Oi,a、Oj,b所有图像对的平均表观相似度来表示目标Oi,a、Oj,b最终的表观相似度，即 E[g]为期望函数。其中目标Oi,a、Oj,b每对图像对的表观相似度的求取过程如下：

S101.设 d＝mn是目标Oi,a的图像IA中以像素x为中心的一个局部小块所展开的像素向量；设V1,V2,...,VK是一系列Walsh-Hardmard变换基，其中 d＝mn表示一个由大小为m×n的Walsh-Hardmard变换矩阵所展开的向量；令 表示X在第i个变换基上的投影值，则X的概率密度函数可由下式计算：则像素点x的显著值由下式计算：

S102.通过对图像IA中的每个像素执行步骤S101可得到目标Oi,a的图像IA的显著图，然后对显著图进行阈值化处理，将显著值低于阈值的像素的显著值置为0，最后计算该阈值下的HSV颜色直方图特征：其中，k＝1,2,...,K，K表示直方图的bin数，m表示颜色通道，Cm(z)表示像素z对应的第m个通道像素值在直方图中的量化值，S(z)为像素z经过阈值化处理后的显著值,δ(g)为指示函数，S103.利用不同的阈值依次对图像IA的显著图进行步骤S102的阈值化处理，然后计算不同阈值下的HSV颜色直方图特征，将不同阈值下的HSV颜色直方图特征串联起来后得到图像IA的加权全局颜色直方图特征HA；

S104.对与图像IA形成图像对的Oj,b的图像IB执行步骤S101～S103，得到图像IB的加权全局颜色直方图特征HB；

S105.通过Bhattacharyya距离来度量图像IA、图像IB之间的相似程度：其中HA(i)、HB(i)分别表示直方图向量HA、HB的第i维特征值；

S106.将图像IA划分为有重叠的局部子块，然后对每个局部子块分别提取颜色直方图特征以及SIFT特征作为局部子块的码字，这些码字的集合则作为图像IA的码本；

S107.对图像IB执行步骤S106；

S108.以图像IA的码本作为字典对图像IB的码字进行稀疏编码，字典表示为其中n为特征维度，k为子块个数，di表示图像IA第i个局部子块的颜色直方图特征；图像IB的码本表示为 yi表示图像IB第i个局部子块的颜色直方图特征；通过求解l1范数最小化问题得到图像IB第i个局部子块对应的稀疏编码系数向量bi：根据图像IB第i个局部子块在图像IB中的位置选择图像IA中对应位置的编码系数作为归并值，从而获得颜色归并特征fLCH：fLCH＝[fLCH(b1),fLCH(b2),...,fLCH(bk)]其中，bi(i)表示图像IB第i个局部子块在图像IA第i个局部子块上的编码系数；

S109.对图像IA、图像IB的SIFT特征执行步骤S108得到基于SIFT的纹理归并特征fSIFT，将颜色归并特征fLCH、基于SIFT的纹理归并特征fSIFT进行融合得到基于稀疏编码的结构性局部特征向量为F＝fLCH+fSIFT

S110.基于F计算图像IA、图像IB的局部稀疏编码距离：其中，Fi表示结构性局部特征向量F的第i个分量；

S111.通过以上求解，定义目标Oi,a、Oj,b的图像对IA与IB之间的综合距离为：d(IA,IB)＝dWH(IA,IB)+β·dSC(IA,IB)；

其中dWH(IA,IB)＝dBh(HA,HB)。

最终定义目标Oi,a、Oj,b的图像对IA与IB之间的综合表观相似度为：其中γ为衰减因子。