CN102236901A - 基于图论聚类和色彩不变空间的目标跟踪方法 - Google Patents

Abstract

基于图论聚类和色彩不变空间的目标跟踪方法，包括以下步骤：1)对视频流的图像进行色彩不变空间转换，用色彩不变特征CSIFT特征提取特征点；2)特征的图论运动聚类，具有相同运动趋势的特征点属于相同运动状态的目标，由特征点跟踪到视频帧中的目标。本发明采用局部不变特征，摒弃全局特征的盲目性；实现色彩不变特征CSIFT提取，在保持SIFT特征几何不变性优势的同时增加了色彩不变性，从灰度特征空间提升为彩色空间；针对静止背景下的运动物体，将图论思想融入匹配，将特征运动分类作为匹配的预处理，使匹配操作更加准确、快速。

Description

基于图论聚类和色彩不变空间的目标跟踪方法

技术领域

本发明属于视频图像处理技术领域，涉及视频中的目标跟踪，为一种基于图论聚类和色彩不变空间的目标跟踪方法。

背景技术

目标跟踪在视觉导航、行为识别、智能交通等领域有非常广泛的研究和应用。当前大多数的运动检测和目标跟踪算法都是基于Harris和SIFT特征，但难以解决匹配效率，低光照差异引起的色彩变化等问题。其它一些跟踪算法利用亮度恒常性计算光流，然而如果强度分布比较均匀，如：特征不明显的墙，或有一维强度分布，如：边缘，图像速率就无法可靠估计。

图像特征的提取与匹配是物体识别、动态跟踪、图像拼接等方面的应用基础内容。提取的特征可分为全局特征和局部特征。全局特征是通过某些特征描述整幅图像内容，若图像背景较复杂或存在噪声干扰，前景目标混杂在背景中或被遮挡，此时便难以将全局特征提取出来，因此图像全局特征具有盲目性，抗干扰能力较差。局部不变特征对尺度缩放、图像旋转、光照变化和仿射变换具有较强的鲁棒性，其稳定性、可重复性和独特性也具有显著优势。利用局部不变特征进行图像处理是近期的研究热点。

在局部不变特征提取与匹配研究中，尺度不变特征变换SIFT(Scale Invariant FeatureTransform)算法不变性优势明显，但SIFT的描述子无法处理彩色图像，且其匹配运算量大，不同运动物体间的误匹配时有发生。

发明内容

本发明要解决的问题是：现有的局部不变特征提取与匹配研究中，SIFT受限于灰度图像，无法处理彩色图像，且其匹配运算量大，不同运动物体间的误匹配时有发生。

本发明的技术方案为：基于图论聚类和色彩不变空间的目标跟踪方法，包括以下步骤：

1)对视频流的图像进行色彩不变空间转换，用色彩不变特征CSIFT特征提取，检测提取色彩不变、尺度不变特征，计算不变量特征向量；

2)特征的图论运动聚类：基于图论，根据特征运动趋势对视频帧进行特征点的聚类，以当前帧为参考图像，后一帧为待匹配图像，以这两帧的CSIFT特征点作为图的节点，获取色彩不变图像下各节点的运动趋势信息，以每两个节点的运动趋势相似度为节点间边的权重，对两帧中的节点同时进行聚类，具有相同运动趋势的特征点属于相同运动状态的目标，通过特征点聚类将相邻两帧视频帧中的同一目标分割出来，实现对视频帧中目标的跟踪。

进一步的，步骤2)后进行特征分类匹配，对各个目标上的特征点进一步细化，根据聚类结果，对每一类分别匹配，计算当前帧CSIFT特征点的特征向量与后一帧中属于同一类的所有CSIFT特征点的特征向量的欧氏距离，最小距离与次小距离的比率小于0.6时则为匹配，匹配的特征点属于同一目标，若当前帧中特征点在后一帧中没有对应的匹配特征点，则此特征点不属于所跟踪目标，通过特征分类匹配，细化各个特征点与目标之间的对应关系，对匹配后的特征点跟踪，实现目标的细化跟踪。

本发明的目标跟踪具体为：

1)图像预处理，对视频流的帧图像背景建模，去除背景影响；

2)依照Kubelka-Munk理论进行色彩不变空间转换，对参考图像I₁(x，y)和待匹配图像I₂(x，y)分别求出色彩不变量H₁(x，y)和H₂(x，y)，以色彩不变量代替图像的灰度值；

3)CSFIT特征检测，在色彩不变空间中对H₁，H₂用SIFT算法提取特征，并生成色彩不变空间下的SIFT描述子，即CSIFT特征点，包含特征点的信息有坐标、尺度、主方向及128维特征向量，在彩色图像上标识；

4)图论的运动聚类，基于图论，对视频帧的特征点进行聚类，对相邻两帧中的特征点建立图，进行聚类分类，将检测出的CSIFT特征点作为节点，定义其运动矢量，表征该点运动趋势的概率分布，从而将某两个像素运动趋势的相似性反映在边的权重上；采用色彩空间变换后的图像代替灰度图像，以H不变量代替灰度值进行计算，H^t(X)表示t时刻视频帧二维空间中，以特征点X为中心的运算窗体，P_i(dx)表示第i个节点X_i对应下一帧运动dx的概率，dx表示该点所有可能的运动偏移方向；计算P_i(dx)，先计算H^t(X_i)和H^t+1(X_i+dx)的相似度S_i(dx)，如式(1)，其中w属于视频帧二维空间，是H^t(X_i)的局部邻域：

$S_i\left(\mathrm{dx}\right)=\exp (-\underset{w}{\mathrm{\Σ}}{(H^T(X_i+w)-H^{t+1}(X_i+\mathrm{dx}+w))}^2/{{\mathrm{\σ}}_{\mathrm{SSD}}}^2)---\left(1\right)$

σ_SSD是点X_i对所有dx，式(H^t(X_i+w)-H^t+1(X_i+dx+w))的标准差，将式(1)归一化为概率分布：

$P_i\left(\mathrm{dx}\right)=\frac{S_i\left(\mathrm{dx}\right)}{{\mathrm{\Σ}}_{\mathrm{dx}}{S}_i\left(\mathrm{dx}\right)}---\left(2\right)$

以两个运动趋势的互相关来检测运动相似度，将视频帧中i，j两节点的距离定义为：

$d(i,j)=1-\underset{\mathrm{dx}}{\mathrm{\Σ}}{P}_i\left(\mathrm{dx}\right)P_j\left(\mathrm{dx}\right)---\left(3\right)$

则边(i，j)的权重为：

w_ij＝exp(-d(i，j)/σ_m ²)                             (4)

σ_m ²是图中所有d(i，j)的方差；

设d(i)＝∑_jw_ij是节点X_i与其他所有节点的连接，设视频帧为图G，特征点点集V，将其分为两个点集A，B，AUB＝V，归一化分割，表示为：

$\mathrm{Ncut}(A,B)=\frac{\mathrm{cut}(A,B)}{\mathrm{asso}(A,V)}+\frac{\mathrm{cut}(A,B)}{\mathrm{asso}(B,V)}---\left(5\right)$

其中是A，B两部分的差异程度大小，N是图中节点的总个数，asso(A，V)＝∑_{u∈A，t∈V}w(u，t)是A中节点与图中所有节点的权重和，asso(B，V)是B中节点与图中所有节点的权重和；

设D是以d为对角元素的N×N对角矩阵：

$d\left(i\right)={\mathrm{\Σ}}_j{w}_{\mathrm{ij}},d=\begin{array}{ccccc}d\left(1\right)& 0& 0& 0& 0\\ 0& d\left(2\right)& 0& 0& 0\\ 0& 0& ...& 0& 0\\ 0& 0& 0& d(N-1)& 0\\ 0& 0& 0& 0& d\left(N\right)\end{array}$

W是N×N的对称矩阵，W(i，j)＝w_ij；

得到瑞利商描述式(6)，

${\min }_x\mathrm{Ncut}\left(x\right)={\min }_y\frac{y^T(D-W)y}{y^T\mathrm{Dy}}---\left(6\right)$

通过求解广义特征值方程式(7)间接获得瑞利商：

(D-W)y＝λDy                        (7)

求解广义特征值方程式(D-W)y＝λDy，将广义特征方程变换为标准特征方程，

其中

利用广义特征值方程式第二小的特征值对图进行二分，分析分类后的稳定性，决定是否需要细分，若要细分使用下一小的特征向量递归分割，直到不需要细分为止，最终得到的各类别的特征点集就是分别属于不同运动目标的，通过特征点集的位置确定目标的位置，实现对目标的跟踪。

作为优选，利用广义特征值方程式第二小的特征值对图进行二分，计算当前Ncut最小值，若Ncut最小值大于预先设定的阈值0.05，则需要细分，使用下一小的特征向量递归分割，直到Ncut最小值小于设定的阈值。

本发明克服现有的目标跟踪方法的不足，提供一种基于图论聚类和色彩不变空间的目标跟踪方法，形成稳定的目标轨迹及其精确的运动信息。

现有的局部不变特征提取与匹配研究中，多数采用Harris，而SIFT算法提取的特征性能更佳；但SIFT是将彩色图像直接转化为灰度图像，丢失了色彩信息，在不同光照下，同一场景得到的灰度图像有所不同，而CSIFT首先将彩色图像进行色彩不变空间转换，得到具有色彩不变性的色彩不变空间图像，用色彩不变空间图像中像素对应的H不变量代替灰度图像中的灰度值。色彩不变空间图像的优势在于比灰度图像增加了色彩信息，从而使同一场景不同光照下转换得到的图像是相同的。

现有跟踪技术都是先匹配再聚类，匹配运算量大，不同运动物体间的误匹配时有发生。而本发明方法先聚类再匹配，匹配时只考虑属于同类的特征点，大大降低运算量，也避免了不同物体间的误匹配。本发明以图像局部不变特征为理论基础，弥补了SIFT特征提取与匹配算法的缺点，提出基于图论的CSIFT特征匹配算法，具有如下优点：

●采用局部不变特征，摒弃全局特征的盲目性；

●实现色彩不变特征CSIFT提取，在保持SIFT特征几何不变性优势的同时增加了色彩不变性，从灰度特征空间提升为彩色空间；

●提出基于图论的CSIFT特征匹配算法并得以实现，针对静止背景下的运动物体，将图论思想融入匹配，将特征运动分类作为匹配的预处理，使匹配操作更加准确、快速。

附图说明

图1为本发明的流程图。

具体实施方式

本发明基于图论聚类和色彩不变空间的目标跟踪方法，提取特征点，然后对这些点的运动趋势做图论聚类，把特征点归类到各自的目标，分别对每个目标进行跟踪匹配，如图1，包括以下流程：

1)对视频流的图像进行色彩不变空间转换，用色彩不变特征CSIFT特征提取，检测提取色彩不变、尺度不变特征，计算不变量特征向量；

2)特征的图论运动聚类：基于图论，根据特征运动趋势对视频帧进行特征点的聚类，以当前帧为参考图像，后一帧为待匹配图像，以这两帧的CSIFT特征点作为图的节点，获取色彩不变图像下各节点的运动趋势信息，以每两个节点的运动趋势相似度为节点间边的权重，对两帧中的节点同时进行聚类，具有相同运动趋势的特征点属于相同运动状态的目标，通过特征点聚类将相邻两帧视频帧中的同一目标分割出来，实现对视频帧中目标的跟踪。

进一步的，步骤2)后进行特征分类匹配，对属于各个目标的特征点进一步细化，排除不属于目标的特征点，匹配各个特征点与目标之间的对应关系，细化特征点的跟踪。

具体的步骤为：

1)图像预处理，对视频流的帧图像背景建模，去除背景影响；

2)依照Kubelka-Munk理论进行色彩不变空间转换，对参考图像I₁(x，y)和待匹配图像I₂(x，y)分别求出色彩不变量H₁(x，y)和H₂(x，y)以色彩不变量代替图像的灰度值；

3)CSFIT特征检测，在色彩不变空间中对H₁，H₂用SIFT算法提取特征，并生成色彩不变空间下的SIFT描述子，即CSIFT特征点描述子，包含特征点的坐标、尺度、主方向及128维特征向量等信息，在彩色图像上标识。CSIFT特征提取可以总结为以下几步：

(31)根据Kubelka-Munk理论对输入图像进行色彩空间变换，获得与视点、表面方向、光照方向、光强和菲涅尔反射系数无关的色彩不变量H；

(32)用H代替原输入图像的灰度值，对H变换后的图像在尺度空间中检测局部极值，其图像本身包含不变色彩信息，因此保证了特征点的色彩不变性；

(33)将检测到的极值点作为关键点进行三维二次函数拟合，以确定其精确位置和尺度，并弃除低对比度的点和不稳定的边缘响应点，获得特征点；

(34)给每个特征点分配方向，允许存在一个主方向和多个辅方向；

(35)根据特征方向调整，保证旋转不变性，再参考尺度系数获得对应大小的描述符采样邻域，对每个特征点建立一个128维的尺度不变描述符；

4)图论的运动聚类，将检测出的CSIFT特征点作为节点，定义其运动矢量，表征该点运动趋势的概率分布，从而将某两个像素运动趋势的相似性反映在边的权重上。采用色彩空间变换后的图像代替灰度图像，以H不变量代替灰度值进行计算。H^t(X)表示t时刻视频帧二维空间中，以特征点X为中心的运算窗体，P_i(dx)表示第i个节点X_i对应下一帧运动dx的概率，dx表示该点所有可能的运动偏移方向。计算P_i(dx)需要先计算H^t(X_i)和H^t+1(X_i+dx)的相似度S_i(dx)，本发明采取类似SSD的相似度求取方法。如式(1)，其中w属于视频帧二维空间，是H^t(X_i)的局部邻域：

$S_i\left(\mathrm{dx}\right)=\exp (-\underset{w}{\mathrm{\Σ}}{(H^T(X_i+w)-H^{t+1}(X_i+\mathrm{dx}+w))}^2/{{\mathrm{\σ}}_{\mathrm{SSD}}}^2)---\left(1\right)$

将式(1)归一化为概率分布：

$P_i\left(\mathrm{dx}\right)=\frac{S_i\left(\mathrm{dx}\right)}{{\mathrm{\Σ}}_{\mathrm{dx}}{S}_i\left(\mathrm{dx}\right)}---\left(2\right)$

两个运动趋势的互相关是检测运动相似度简单有效的方法。将i，j两节点的距离定义为：

$d(i,j)=1-\underset{\mathrm{dx}}{\mathrm{\Σ}}{P}_i\left(\mathrm{dx}\right)P_j\left(\mathrm{dx}\right)---\left(3\right)$

则边(i，j)的权重为：

w_ij＝exp(-d(i，j)/σ_m ²)                                (4)

设d(i)＝∑_jw(i，j)是节点X_i与其他所有节点的连接。设视频帧为图G，特征点点集V，将其分为两个点集A，B，AUB＝V，

归一化分割，即Normalized Cut(Ncut)表示为：

$\mathrm{Ncut}(A,B)=\frac{\mathrm{cut}(A,B)}{\mathrm{asso}(A,V)}+\frac{\mathrm{cut}(A,B)}{\mathrm{asso}(B,V)}---\left(5\right)$

其中

是A，B两部分的差异程度大小，asso(A，V)＝∑_{u∈A，t∈V}w(u，t)是A中节点与图中所有节点的权重和，asso(B，V)类似。

设D是以d为对角元素的N×N对角矩阵：

$d\left(i\right)={\mathrm{\Σ}}_j{w}_{\mathrm{ij}},d=\begin{array}{ccccc}d\left(1\right)& 0& 0& 0& 0\\ 0& d\left(2\right)& 0& 0& 0\\ 0& 0& ...& 0& 0\\ 0& 0& 0& d(N-1)& 0\\ 0& 0& 0& 0& d\left(N\right)\end{array}$

W是N×N的对称矩阵，W(i，j)＝w_ij；

得到瑞利商描述式(6)，

${\min }_x\mathrm{Ncut}\left(x\right)={\min }_y\frac{y^T(D-W)y}{y^T\mathrm{Dy}}---\left(6\right)$

通过求解广义特征值方程式(7)间接获得瑞利商：

(D-W)y＝λDy                        (7)

求解广义特征值方程式(D-W)y＝λDy，将广义特征方程变换为标准特征方程，

其中

广义特征方程的第二小特征向量就是Ncut二分问题的实值解，归一化分割Ncut具体可参见《Motion Segmentation and Tracking usingNormalized cuts》(ICCV′98Proceedings of the Sixth International Conference on ComputerVision)利用广义特征值方程式第二小的特征值对图进行二分，分析分类后的稳定性，决定是否需要细分，若要细分使用下一小的特征向量递归分割，直到不需要细分为止，最终得到的各类别的特征点集就是分别属于不同运动目标的，通过特征点集的位置确定目标的位置，实现对目标的跟踪。

利用广义特征值方程式第二小的特征值对图进行二分时，计算当前Ncut最小值，若Ncut最小值大于预先设定的阈值0.05，则需要细分，使用下一小的特征向量递归分割，直到Ncut最小值小于设定的阈值。

进一步采用步骤5)对特征进行匹配，细化特征点与目标的匹配跟踪；

5)对各个目标上的特征点进一步细化，根据聚类结果，对每一类分别匹配，计算当前帧CSIFT特征点的特征向量与后一帧中属于同一类的所有CSIFT特征点的特征向量的欧氏距离，最小距离与次小距离的比率小于0.6时则为匹配，匹配的特征点属于同一目标，若当前帧中特征点在后一帧中没有对应的匹配特征点，则此特征点不属于所跟踪目标，不再跟踪此特征点的位置，且此特征点不再参加后续帧的图论运动聚类，通过特征分类匹配，细化各个特征点与目标之间的对应关系，对匹配后的特征点跟踪，实现目标的细化跟踪。

本发明是一个完整的目标跟踪解决方案，在实际的视频监控、行为分析、智能交通、电子警察等领域有广阔的应用；与现有技术相比，使用本跟踪方法，用户可以很好的解决当前跟踪算法中的经典难题，实现对多目标的稳定精确跟踪：

1)现有的局部不变特征提取与匹配研究中，多数采用Harris，而SIFT算法提取的特征性能更佳；

2)SIFT是将彩色图像直接转化为灰度图像，丢失了色彩信息，在不同光照下，同一场景得到的灰度图像有所不同，而CSIFT首先将彩色图像进行色彩不变空间转换，得到具有色彩不变性的色彩不变空间图像，用色彩不变空间图像中像素对应的H不变量代替灰度图像中的灰度值。色彩不变空间图像的优势在于比灰度图像增加了色彩信息，从而使同一场景不同光照下转换得到的图像是相同的。

3)现有跟踪技术都是先匹配再聚类，匹配运算量大，不同运动物体间的误匹配时有发生。而本发明方法先聚类再匹配，匹配时只考虑属于同类的特征点，大大降低运算量，也避免了不同物体间的误匹配。

Claims (4)

1.基于图论聚类和色彩不变空间的目标跟踪方法，其特征是包括以下步骤：

1)对视频流的图像进行色彩不变空间转换，用色彩不变特征CSIFT特征提取，检测提取色彩不变、尺度不变特征，计算不变量特征向量；

2)特征的图论运动聚类：基于图论，根据特征运动趋势对视频帧进行特征点的聚类，以当前帧为参考图像，后一帧为待匹配图像，以这两帧的CSIFT特征点作为图的节点，获取色彩不变图像下各节点的运动趋势信息，以每两个节点的运动趋势相似度为节点间边的权重，对两帧中的节点同时进行聚类，具有相同运动趋势的特征点属于相同运动状态的目标，通过特征点聚类将相邻两帧视频帧中的同一目标分割出来，实现对视频帧中目标的跟踪。

2.根据权利要求1所述的基于图论聚类和色彩不变空间的目标跟踪方法，其特征是步骤2)后进行特征分类匹配，对各个目标上的特征点进一步细化，根据聚类结果，对每一类分别匹配，计算当前帧CSIFT特征点的特征向量与后一帧中属于同一类的所有CSIFT特征点的特征向量的欧氏距离，最小距离与次小距离的比率小于0.6时则为匹配，匹配的特征点属于同一目标，若当前帧中特征点在后一帧中没有对应的匹配特征点，则此特征点不属于所跟踪目标，通过特征分类匹配，细化各个特征点与目标之间的对应关系，对匹配后的特征点跟踪，实现目标的细化跟踪。

3.根据权利要求1或2所述的基于图论聚类和色彩不变空间的目标跟踪方法，其特征是目标跟踪具体为：

1)图像预处理，对视频流的帧图像背景建模，去除背景影响；

2)依照Kubelka-Munk理论进行色彩不变空间转换，对参考图像I₁(x，y)和待匹配图像I₂(x，y)分别求出色彩不变量H₁(x，y)和H₂(x，y)，以色彩不变量代替图像的灰度值；

3)CSFIT特征检测，在色彩不变空间中对H₁，H₂用SIFT算法提取特征，并生成色彩不变空间下的SIFT描述子，即CSIFT特征点，包含特征点的信息有坐标、尺度、主方向及128维特征向量，在彩色图像上标识；

4)图论的运动聚类，基于图论，对视频帧的特征点进行聚类，对相邻两帧中的特征点建立图，进行聚类分类，将检测出的CSIFT特征点作为节点，定义其运动矢量，表征该点运动趋势的概率分布，从而将某两个像素运动趋势的相似性反映在边的权重上；采用色彩空间变换后的图像代替灰度图像，以H不变量代替灰度值进行计算，H^t(X)表示t时刻视频帧二维空间中，以特征点X为中心的运算窗体，P_i(dx)表示第i个节点X_i对应下一帧运动dx的概率，dx表示该点所有可能的运动偏移方向；计算P_i(dx)，先计算H^t(X_i)和H^t+1(X_i+dx)的相似度S_i(dx)，如式(1)，其中w属于视频帧二维空间，是H^t(X_i)的局部邻域：

$S_i\left(\mathrm{dx}\right)=\exp (-\underset{w}{\mathrm{\Σ}}{(H^T(X_i+w)-H^{t+1}(X_i+\mathrm{dx}+w))}^2/{{\mathrm{\σ}}_{\mathrm{SSD}}}^2)---\left(1\right)$

σ_SSD是点X_i对所有dx，式(H^t(X_i+w)-H^t+1(X_i+dx+w))的标准差，将式(1)归一化为概率分布：

$P_i\left(\mathrm{dx}\right)=\frac{S_i\left(\mathrm{dx}\right)}{{\mathrm{\Σ}}_{\mathrm{dx}}{S}_i\left(\mathrm{dx}\right)}---\left(2\right)$

以两个运动趋势的互相关来检测运动相似度，将视频帧中i，j两节点的距离定义为：

$d(i,j)=1-\underset{\mathrm{dx}}{\mathrm{\Σ}}{P}_i\left(\mathrm{dx}\right)P_j\left(\mathrm{dx}\right)---\left(3\right)$

则边(i，j)的权重为：

w_ij＝exp(-d(i，j)/σ_m ²)                            (4)

σ_m ²是图中所有d(i，j)的方差；

设d(i)＝∑_jw_ij是节点X_i与其他所有节点的连接，设视频帧为图G，特征点点集V，将其分为两个点集A，B，A∪B＝V，归一化分割，表示为：

$\mathrm{Ncut}(A,B)=\frac{\mathrm{cut}(A,B)}{\mathrm{asso}(A,V)}+\frac{\mathrm{cut}(A,B)}{\mathrm{asso}(B,V)}---\left(5\right)$

其中

是A，B两部分的差异程度大小，N是图中节点的总个数，asso(A，V)＝∑_{u∈A，t∈V}w(u，t)是A中节点与图中所有节点的权重和，asso(B，V)是B中节点与图中所有节点的权重和；

设D是以d为对角元素的N×N对角矩阵：

$d\left(i\right)={\mathrm{\Σ}}_j{w}_{\mathrm{ij}},d=\begin{array}{ccccc}d\left(1\right)& 0& 0& 0& 0\\ 0& d\left(2\right)& 0& 0& 0\\ 0& 0& ...& 0& 0\\ 0& 0& 0& d(N-1)& 0\\ 0& 0& 0& 0& d\left(N\right)\end{array}$

W是N ×N的对称矩阵，W(i，j)＝w_ij；

得到瑞利商描述式(6)，

${\min }_x\mathrm{Ncut}\left(x\right)={\min }_y\frac{y^T(D-W)y}{y^T\mathrm{Dy}}---\left(6\right)$

通过求解广义特征值方程式(7)间接获得瑞利商：

(D-W)y＝λDy                            (7)

求解广义特征值方程式(D-W)y＝λDy，将广义特征方程变换为标准特征方程，

其中

利用广义特征值方程式第二小的特征值对图进行二分，分析分类后的稳定性，决定是否需要细分，若要细分使用下一小的特征向量递归分割，直到不需要细分为止，最终得到的各类别的特征点集就是分别属于不同运动目标的，通过特征点集的位置确定目标的位置，实现对目标的跟踪。

4.根据权利要求3所述的基于图论聚类和色彩不变空间的目标跟踪方法，其特征是利用广义特征值方程式第二小的特征值对图进行二分，计算当前Ncut最小值，若Ncut最小值大于预先设定的阈值0.05，则需要细分，使用下一小的特征向量递归分割，直到Ncut最小值小于设定的阈值。

Images