1.基于自适应选择机制的稀疏联合模型目标跟踪方法，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图像得到初始目标位置；在目标位置周围手动采集m个图像，归一化后按行堆放成向量构成相应的正模板集d为初始特征维数；类似的，在离目标位置较远处采集n个图像，经过相同的处理后获得负模板集 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U和奇异值对角矩E为空矩阵；

步骤二、读入下一帧Imaget+1(t≥1)，基于粒子滤波框架下随机游走的方式采集t+1帧候选样本集合 并将对应图像作为观测样本集合 其中k为样本的个数；

步骤三、标记第i个观测样本 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帧的真实目标状态 并收集样本It+1，转入步骤十；否则直接转入步骤四；

步骤四、基于模板集 及其对应的标签向量 利用基于稀疏表示的判别式学习制定特征选择机制，通过最小化求解得到稀疏向量s；根据向量s构建构造映射矩阵S*，并将训练模板集A和观测样本集Yt+1映射到低维特征空间中，得到映射后的模板集D和观测样本集Zt+1；

步骤五、基于映射后的观测样本集Zt+1和模板集D构建目标函数，利用L1范数正则化其目标系数项α，并通过LASSO求解得到稀疏映射系数α；分别计算候选观测样本 在正模板集和负模板集上的重构误差εf和εb，并获得各候选样本的置信度Lc；选取置信度最大的作为判别模型的最佳候选样本步骤六、基于观测样本集Yt+1和子空间U构建目标函数，并对重构样本与观测样本的残差 进行拉普拉斯建模‖e‖1，以抵御目标跟踪中离群子的干扰；通过一种结合线性回归和软阈值算子的迭代算法对目标函数进行最小化求解，得到收敛的目标系数c*和残差e*；

步骤七、基于最优的目标系数c*和残差e*，制定一种结合拉普拉斯偏差项和重构误差的相似度函数，并计算各候选样本的相似性度量值Gc；选取相似度最大的作为生成模型的最佳候选样本步骤八、分别计算t+1帧中判别模型和生成模型的最佳候选样本 和 与t帧的目标状态 之间的欧式距离dd和dg，并分别与阈值TH进行比较，根据自适应选择机制构建最终的联合模型评估函数Hc；

步骤九、根据评估函数Hc选取置信值最高的候选样本作为第t+1帧的最佳目标状态并进一步收集样本步骤十、基于最新跟踪结果更新负模板集，更新的图像来自距当前跟踪结果较远的区域，正模板集保持不变；

步骤十一、若收集的样本I达到5个，则采用增量主成分方法更新子空间及其均值向量，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；

步骤十二、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所述的基于自适应选择机制的稀疏联合模型目标跟踪方法，其特征在于，步骤四中基于稀疏表示的特征选择机制：其中， 为模板集， 为标签向量，它的每个元素对应模板集A中每个模板的性质，即+1表示正模板，-1表示负模板；通过LASSO求解上式得到的向量s具有一定的稀疏性，其中的非零元素对应原始特征空间中具有判别力的特征；根据向量s构*建构造映射矩阵S的具体方法如下：

(1)根据向量s中元素是否为0构造一个对角矩阵

(2)将对角阵S′的所有的零行删去，其他行相应上移得到映射矩阵S*；该矩阵的行数等于向量s中非零元素的个数，列数等于向量s的维数。

3.根据权利要求1所述的基于自适应选择机制的稀疏联合模型目标跟踪方法，其特征在于，步骤五中稀疏判决模型的置信度评价函数：Lc＝exp((εn-εp)/σ)，

其中， 和 分别表示候选观测样本z在负模板

集D-和正模板集D+上的重构误差；σ是一个固定的常量，用于权衡判决模型和生成模型在联合模型中所占的比重。

4.根据权利要求1所述的基于自适应选择机制的稀疏联合模型目标跟踪方法，其特征在于，步骤六中基于子空间学习和L1正则化的目标函数及其最小化求解方法：其中y为输入的观测样本，U为当前帧的PCA子空间，c为观测样本对应的目标系数，e为残差项；对残差项e进行拉普拉斯建模以抵御离群子的干扰，λ3为稀疏度调节参数；上述目标函数是凸的但并非处处可微，因此本发明提出一种结合线性回归和软阈值算子的迭代算法对其进行最小化求解，具体步骤包括：步骤1.输入当前帧的观测样本y，PCA子空间U；

步骤2.初始化，令目标系数c0＝0，残差项e0＝0，迭代变量i＝0；

步骤3.迭代求解：

T

a)ci+1:＝U(y-ei)

b)ei+1:＝Sτ(y-Uci+1)

c)i←i+1

步骤4.判断目标函数是否收敛，若“是”，输出最优的c*和e*；若“否”，重复步骤3的迭代过程；

其中，Sτ(x)为软阈值算子，即Sτ(x)＝sgn(x)max(|x|-τ,0)，sgn(·)为符号函数。

5.根据权利要求1所述的基于自适应选择机制的稀疏联合模型目标跟踪方法，其特征在于，步骤七中稀疏生成模型的相似度评价机制：Gc＝exp(-γd(y；U))，

其中 表示该候选

观测样本的重构误差，‖e*‖1用来评估该候选样本的离群程度；γ是常数，用来控制高斯核的形状。

6.根据权利要求1所述的基于自适应选择机制的稀疏联合模型目标跟踪方法，其特征在于，步骤八中基于欧式距离的自适应选择机制：首先给出t+1帧中判别模型和生成模型的最佳候选样本 和 与t帧的目标状态 之间的欧式距离dd和dg的计算方法：根据dd和dg与阈值TH的比较结果制定自适应选择机制，旨在舍弃发生恶化的模型的计算结果，构建更为合理的联合模型评估函数Hc，具体步骤如下：(1)当dd≤TH且dg≤TH，此时判别模型和生成模型均未发生恶化，采用相乘机制将二者联合起来，即Hc＝LcGc；

(2)当dd>TH且dg

(3)当ddTH，此时生成模型发生了恶化，故只选择判别模型的置信度函数作为联合模型的评估函数，即Hc＝Lc；

(4)当dd>TH且dg>TH，这表明判别模型和生成模型均发生了不同程度的退化，故通过比较dd和dg，选择偏差较小的模型作为最终的似然函数表达，具体有：a)当dd

b)当dd≥dg，令Hc＝Gc。