技術(shù)特征：
1.一種基于霍夫森林的目標(biāo)跟蹤方法，其特征在于，包括以下步驟：步驟一、從標(biāo)準(zhǔn)訓(xùn)練庫中選取圖片作為訓(xùn)練樣本，訓(xùn)練樣本包括正訓(xùn)練樣本和負(fù)訓(xùn)練樣本，正訓(xùn)練樣本的圖片中有目標(biāo)，負(fù)訓(xùn)練樣本的圖片中無目標(biāo)，提取訓(xùn)練樣本的特征得到特征圖片；步驟二、對步驟一中的特征圖片進(jìn)行濾波處理后建立特征圖片集合；步驟三、建立霍夫森林；步驟四、采集視頻，輸入視頻的第一幀，并人工標(biāo)記出待跟蹤目標(biāo)的中心位置，作包圍中心位置的矩形框用來設(shè)定目標(biāo)檢測范圍；采用遍歷的方式選取矩形框內(nèi)的圖片特征塊，根據(jù)建立的霍夫森林對目標(biāo)的中心位置進(jìn)行加權(quán)投票，統(tǒng)計(jì)投票值得到設(shè)定矩形框內(nèi)的霍夫投票圖，選取投票峰值確定目標(biāo)的中心位置，并將該目標(biāo)的中心位置作為第一幀圖像目標(biāo)的中心位置，根據(jù)獲得的第一幀圖像目標(biāo)的中心位置初始化卡爾曼濾波器參數(shù)；步驟五、確定目標(biāo)中心位置,跟蹤目標(biāo)；(501)、載入新一幀視頻圖像，根據(jù)前一幀目標(biāo)的中心位置作包圍中心位置的矩形框用來設(shè)定待檢測目標(biāo)范圍，利用建立好的霍夫森林獲取投票峰值，得到目標(biāo)的中心位置；(502)、計(jì)算幀間目標(biāo)中心位置均值的歐式距離；(503)、預(yù)先設(shè)定第一閾值和第二閾值，第一閾值為投票峰值閾值，第二閾值為幀間目標(biāo)中心位置均值的歐式距離閾值；(504)、當(dāng)投票峰值小于預(yù)設(shè)的第一閾值或者幀間目標(biāo)中心位置均值的歐式距離大于預(yù)設(shè)的第二閾值,則采用卡爾曼濾波算法對目標(biāo)中心位置進(jìn)行預(yù)測得到預(yù)測值，采用預(yù)測值校正目標(biāo)中心位置；當(dāng)投票峰值大于或等于預(yù)設(shè)的第一閾值，并且?guī)g目標(biāo)中心位置均值的歐氏距離小于或等于預(yù)設(shè)的第二閾值，則表明跟蹤到的目標(biāo)正確，不修正當(dāng)前幀檢測得到的目標(biāo)中心位置，同時(shí)更新卡爾曼濾波器參數(shù)，用于對下一幀視頻圖像中目標(biāo)的中心位置進(jìn)行預(yù)測；當(dāng)投票峰值大于或等于預(yù)設(shè)的第一閾值，但幀間目標(biāo)中心位置均值的歐氏距離大于預(yù)設(shè)的第二閾值，則根據(jù)卡爾曼濾波算法得到的預(yù)測值校正目標(biāo)中心位置。2.根據(jù)權(quán)利要求1所述的一種基于霍夫森林的目標(biāo)跟蹤方法，其特征在于，所述步驟三具體如下：(301)、隨機(jī)獲取特征圖片塊集，采用二值函數(shù)對特征圖片塊集進(jìn)行劃分，當(dāng)類不確定度或者偏移量不確定度達(dá)到最小時(shí)，獲得最優(yōu)分裂節(jié)點(diǎn)；依次對最優(yōu)分裂節(jié)點(diǎn)處的圖片塊不斷劃分，直到當(dāng)前節(jié)點(diǎn)的深度達(dá)到預(yù)設(shè)的第三閾值或者當(dāng)前節(jié)點(diǎn)上的樣本數(shù)量小于預(yù)設(shè)的第四閾值則停止劃分，構(gòu)成二叉決策樹；其中，預(yù)設(shè)的第三閾值為10至20的整數(shù)，預(yù)設(shè)的第四閾值為10至25的整數(shù)；(302)、選取N個(gè)二叉決策樹建立霍夫森林，N為整數(shù)且9<N<16。3.根據(jù)權(quán)利要求1所述的一種基于霍夫森林的目標(biāo)跟蹤方法，其特征在于，所述步驟一中提取訓(xùn)練樣本的特征包括：Lab顏色空間中的顏色特征描述符、圖像x方向的一階導(dǎo)數(shù)特征、二階導(dǎo)數(shù)特征、圖像y方向的一階導(dǎo)數(shù)特征、二階導(dǎo)數(shù)特征和梯度直方圖HOG特征。4.根據(jù)權(quán)利要求2所述的一種基于霍夫森林的目標(biāo)跟蹤方法，其特征在于，所述(301)中二值函數(shù)為其中，ta,p,q,u,v,τ(I)表示獲得的像素差值標(biāo)記，(p,q),(u,v)表示圖片塊上的兩個(gè)隨機(jī)點(diǎn)，a表示隨機(jī)選取的某一特征描述符，τ表示分裂節(jié)點(diǎn)處的閾值，Ia(p,q)表示a特征圖片上(p,q)點(diǎn)的像素值，Ia(u,v)表示a特征圖片上(u,v)點(diǎn)的像素值；類不確定度為：H(pL)＝-pLlogpL-(1-pL)log(1-pL)；H(pR)＝-pRlogpR-(1-pR)log(1-pR)；其中，H(pL)為左子節(jié)點(diǎn)的熵值，H(pR)為右子節(jié)點(diǎn)的熵值，pL為左子節(jié)點(diǎn)中來自正樣本的圖片塊占的比例,pR為右子節(jié)點(diǎn)中來自正樣本的圖片塊占的比例，|A|表示節(jié)點(diǎn)處塊集合A中圖片塊個(gè)數(shù)，i是對圖片塊計(jì)數(shù)，且i為大于0的整數(shù)，Entropy({ci})表示熵值，ci表示第i個(gè)圖片塊類別，ci取值為0或1：當(dāng)ci取0時(shí)表示圖片塊來自于負(fù)樣本，當(dāng)ci取1時(shí)表示來自正樣本；|AL|為節(jié)點(diǎn)劃分后左子節(jié)點(diǎn)的圖片塊數(shù)目，|AR|為節(jié)點(diǎn)劃分后右子節(jié)點(diǎn)的圖片塊數(shù)目；偏移量不確定度為：其中，l表示左子節(jié)點(diǎn)中來自正樣本的圖片塊,r表示右子節(jié)點(diǎn)中來自正樣本的圖片塊，dL為左子節(jié)點(diǎn)處所有正樣本圖片塊的平均偏移量，dR為右子節(jié)點(diǎn)處所有正樣本圖片塊的平均偏移量，為左子節(jié)點(diǎn)第l個(gè)正樣本塊對應(yīng)的偏移量，為右子節(jié)點(diǎn)第r個(gè)正樣本塊對應(yīng)的偏移量。5.根據(jù)權(quán)利要求1所述的一種基于霍夫森林的目標(biāo)跟蹤方法，其特征在于，所述(502)中歐式距離為：其中，n為正整數(shù)，為第n幀視頻圖像中目標(biāo)平均中心坐標(biāo)x方向的值，為第n幀視頻圖像中目標(biāo)平均中心坐標(biāo)y方向的值，為第n-1幀視頻圖像中目標(biāo)平均中心坐標(biāo)x方向的值，為第n-1幀視頻圖像中目標(biāo)平均中心坐標(biāo)y方向的值。6.根據(jù)權(quán)利要求2所述的一種基于霍夫森林的目標(biāo)跟蹤方法，其特征在于，所述N為10。7.根據(jù)權(quán)利要求1所述的一種基于霍夫森林的目標(biāo)跟蹤方法，其特征在于，所述預(yù)設(shè)的第一閾值為180，所述預(yù)設(shè)的第二閾值為5。