【CN109949341A】一种基于人体骨架结构化特征的行人目标跟踪方法【专利】
基于身体部件层面的骨架行为识别方法及装置
基于身体部件层面的骨架行为识别方法及装置近年来，骨架行为识别技术受到越来越多人的关注，它可以应用于安防、虚拟现实、智能机器人等领域。
骨架行为识别技术主要是通过追踪身体部件的运动，识别人的行为和动作。
下面，我们将着重介绍基于身体部件层面的骨架行为识别方法及装置。
首先，基于身体部件层面的骨架行为识别系统将图像或视频信号进行处理，然后，使用多目标跟踪算法，将跟踪目标分割为多个身体部件，比如头部、肩膀、胸部和腰部等。
接着，利用视频信号中的灰度信息，使用背景建模的方法，精确定位各个身体部件的位置，并获取其相对运动轨迹。
最后，将运动轨迹中的特征向量经过分类识别，从而识别出特定的行为。
这种基于身体部件层面的骨架行为识别方法可以实现更加精准的识别，并且模型开发更加容易。
首先，基于多目标跟踪算法，可以有效地跟踪大量目标，使跟踪更加准确，提高识别效果。
其次，当不同的身体部件结合在一起时，可以得出更加可靠的结果，因此，实现多动作的识别可以更加准确。
此外，基于建模的方法，可以有效提高识别效率，实现实时识别和跟踪。
虽然基于身体部件层面的骨架行为识别技术可以实现精确识别，但仍存在以下几点挑战：首先，精确定位头部、肩膀和胸部等身体部件的位置时需要大量计算，因此，可能会影响识别速率。
其次，使用建模方法进行识别需要收集并记录大量训练数据，而这又增加了工作量。
再者，由于视频信号中的变量空间和时间都非常大，因此，会对识别速度产生一定的影响。
最后，不同的动作和行为具有相似的特征，如果未能准确识别，很可能会导致识别错误。
基于身体部件层面的骨架行为识别技术虽然仍有不少挑战，但由于其识别效率高，算法简单及易实现性，仍是目前采用比较多的识别技术之一。
为了解决上述的技术挑战，可以采用深度学习方法，进行多层次的分类建模，并结合计算机视觉技术，进一步提高识别的精度和准确性。
综上所述，基于身体部件层面的骨架行为识别方法及装置在人体行为识别中有着广泛的应用，它可以有效提高识别速度和准确率，未来，基于身体部件层面的骨架行为识别技术发展前景广阔。
【CN109919132A】一种基于骨架检测的行人跌倒识别方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910222523.3(22)申请日 2019.03.22(71)申请人 广东省智能制造研究所地址 510000 广东省广州市越秀区先烈中路100号大院13号楼(72)发明人 程韬波 马敬奇 卢杏坚 朱铭 雷欢 陈再励 (74)专利代理机构 广州粤高专利商标代理有限公司 44102代理人 罗晓林 杨桂洋(51)Int.Cl.G06K 9/00(2006.01)(54)发明名称一种基于骨架检测的行人跌倒识别方法(57)摘要一种基于骨架检测的行人跌倒识别方法，包括以下步骤：S1，利用相机获取监控区域图像；S2，对图像进行分割获得行人人体区域图像，并检测得到行人骨架特征点分布信息；S3，分析行人骨架特征点分布信息，提取行人人体关键部位的关节点坐标，根据关节点坐标得到行人人体关节点空间位置特征及行人姿态几何量，关键部位为人体上预设的部位；S4，根据行人人体关节点空间位置特征及行人姿态几何量，建立跌倒检测模型；S5，利用跌倒检测模型对行人的姿态进行判定，行人的姿态包括正常行走、跌倒，根据判定结果实现对行人姿态的检测识别。
本发明可主动检测监控视频中行人跌倒等异常情况，可结合预警系统，提高行人安全事件的监测能力。
权利要求书3页 说明书6页 附图3页CN 109919132 A 2019.06.21C N 109919132A1.一种基于骨架检测的行人跌倒识别方法，包括以下步骤：S1，利用相机获取监控区域图像；S2，对图像进行分割获得行人人体区域图像，并检测得到行人骨架特征点分布信息；S3，分析行人骨架特征点分布信息，提取行人人体关键部位的关节点坐标，根据关节点坐标得到行人人体关节点空间位置特征及行人姿态几何量，关键部位包括左眼、右眼、左耳、右耳、嘴巴、胸颈处、左肩、左肘、左手、右肩、右肘、右手、左髋、左膝、左脚、右髋、右膝和右脚；S4，根据行人人体关节点空间位置特征及行人姿态几何量，建立跌倒检测模型；S5，利用跌倒检测模型对行人的姿态进行判定，行人的姿态包括正常行走、跌倒，根据判定结果实现对行人姿态的检测识别。
一种基于Kinect骨骼节点位置追踪的人体姿势比较方法[发明专利]
![一种基于Kinect骨骼节点位置追踪的人体姿势比较方法[发明专利]](https://img.taocdn.com/s3/m/15665da66aec0975f46527d3240c844769eaa009.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201810709702.5(22)申请日 2018.07.02(71)申请人 中北大学地址 030051 山西省太原市学院路3号(72)发明人 张元 吕金泽 韩燮 高天一 石倩 (74)专利代理机构 太原申立德知识产权代理事务所(特殊普通合伙) 14115代理人 程园园(51)Int.Cl.G06T 7/246(2017.01)(54)发明名称一种基于Kinect骨骼节点位置追踪的人体姿势比较方法(57)摘要本发明具体涉及一种基于Kinect骨骼节点位置追踪的人体姿势比较方法，主要解决了现有骨骼节点位置定位和用户姿势比较方法中存在的数据稳定性和数据实时性不可兼得的缺点。
本发明首先利用动态帧数替换算法保存靠近此时刻的一批数据，作为节点滤波的数据源，然后用改进的中位值均值滤波算法对数据源中自适应截取出的数据进行滤波与偏移预测，输出稳定且实时性高的滤波点，以用于后续计算用户骨骼角度和骨骼向量积角度，最后平滑骨骼角度和骨骼向量积角度，作为评价用户动作的依据。
该方法适用于滤波和平滑与时间相关的连续性变化的变量，也可应用于虚拟现实游戏中对用户姿态的追踪，以及工程中对器件角度动态变化的监控和测量。
权利要求书3页 说明书11页 附图6页CN 109064487 A 2018.12.21C N 109064487A1.一种基于Kinect骨骼节点位置追踪的人体姿势比较方法，其特征在于：包括以下步骤：步骤1，将Kinect V2和笔记本的USB3.0接口相连接，确保设备扫描得到的深度数据和彩色数据能够正常传输，通过KinectSDKWrapper脚本在Unity3D中对KinectV2识别并自动计算得到的骨骼节点数据进行接收并存储；步骤2，通过动态帧数替换算法保存从KinectSDKWrapper脚本接收到的最近N帧人体全身的20个特征骨骼节点数据，并实时更新；步骤3，依据中位值平均滤波算法对步骤2中实时更新的骨骼节点数据进行抖动偏差处理，并加入偏移预测，之后得出稳定的骨骼节点数据；步骤4，依据步骤3中稳定的骨骼节点数据，求出与骨骼节点相连的18个对应人体全身各主要部位骨骼的骨骼向量，并计算这18个骨骼向量旋转连接处的两相邻骨骼向量的角度值，以及连接这个骨骼节点的两骨骼向量的向量积；步骤5，利用步骤4得出的实时骨骼角度值和向量积，计算同一时刻两个用户的所有对应骨骼关节处骨骼向量所形成的角度的差值的绝对值，以及该骨骼关节处两段骨骼所组成的向量积的角度，通过动态帧数替换算法动态记录从现在时刻起往前N帧的每一帧中两用户的骨骼角度差值和骨骼向量积角度值；步骤6，通过EWMA算法平滑同一骨骼关节位置的不同帧数下骨骼向量角度值和骨骼向量积角度值，用平滑后的骨骼向量角度值作差值和设定的阈值角度作比较，用平滑后的骨骼向量积角度值作差值和设定的阈值角度作比较，依据不同身体部位影响整体身体姿态的权重，给符合阈值约束的关节位置一个分数值并记录，然后统计当前分数总和并显示，即完成了两个用户基于Kinect骨骼节点位置追踪的人体姿势比较。
一种基于骨架特征和深度学习的人体动作识别方法[发明专利]
![一种基于骨架特征和深度学习的人体动作识别方法[发明专利]](https://img.taocdn.com/s3/m/92096ddfee06eff9aff807b2.png)
专利名称：一种基于骨架特征和深度学习的人体动作识别方法专利类型：发明专利
发明人：姚剑,汪颖夫,许哲源,涂静敏
申请号：CN201910167706.X
申请日：20190306
公开号：CN109948475A
公开日：
20190628
专利内容由知识产权出版社提供
摘要：本发明提出了一种基于骨架数据和深度学习的人体动作识别方法，用于提高基于骨架的人体动作识别效果。
本发明针对基于骨架的动作识别任务，设计了一个多特征学习网络，具有数个独立学习的网络流，能够鲁棒的处理针对不同维度的各低维特征，并有效的将其经过网络学习进行高维特征的特征融合，实现通过人体骨架运动精确识别人体动作。
本发明对于不同的相机视角，动作类别及实施对象均有良好的识别效果。
相对于目前的方法，本方法具有更好的动作识别精度，且相对于绝大部分基于深度学习的方法有更好的计算效率。
申请人：武汉大学
地址：430072 湖北省武汉市武昌区珞珈山武汉大学
国籍：CN
代理机构：武汉科皓知识产权代理事务所(特殊普通合伙)
代理人：王琪
更多信息请下载全文后查看。
一种目标行人追踪方法、装置、设备及存储介质[发明专利]
![一种目标行人追踪方法、装置、设备及存储介质[发明专利]](https://img.taocdn.com/s3/m/ebc0962e9ec3d5bbfc0a74a8.png)
专利名称：一种目标行人追踪方法、装置、设备及存储介质专利类型：发明专利
发明人：李杨,刘志勇,罗佳俊,徐硕
申请号：CN201910405919.1
申请日：20190516
公开号：CN110110690A
公开日：
20190809
专利内容由知识产权出版社提供
摘要：本发明公开了一种目标行人追踪方法，该方法包括：在单行人出入口的图像采集区采集目标行人对应的数据信息；将目标行人对应的数据信息输入到预先获得的时间预测神经网络中，预测目标行人从图像采集区到达关联的电子围栏采集区的步行时长；根据预测得到的步行时长和在电子围栏采集区采集到的终端特征码信息，确定目标行人对应的终端特征码信息；根据目标行人对应的终端特征码信息，确定目标行人是否为待追踪人员。
应用本发明实施例所提供的技术方案，实现了对单行人出入口的行人准确定位，提高了行人追踪准确性。
本发明还公开了一种目标行人追踪装置、设备及存储介质，具有相应技术效果。
申请人：廊坊鑫良基科技有限公司
地址：065000 河北省廊坊市廊坊开发区荣盛发展大厦第1座25层12529号
国籍：CN
代理机构：北京集佳知识产权代理有限公司
代理人：罗满
更多信息请下载全文后查看。
一种基于骨骼特征的动态表示和匹配的人体行为识别方法[发明专利]
![一种基于骨骼特征的动态表示和匹配的人体行为识别方法[发明专利]](https://img.taocdn.com/s3/m/70632961680203d8cf2f2469.png)
专利名称：一种基于骨骼特征的动态表示和匹配的人体行为识别方法
专利类型：发明专利
发明人：李琦铭,李俊,崇米娜
申请号：CN201810106594.2
申请日：20180202
公开号：CN108491754A
公开日：
20180904
专利内容由知识产权出版社提供
摘要：本发明一种基于骨骼特征的动态表示和匹配的人体行为识别方法，对每个分段中的不同数量的关键姿态进行提取，用于动态地表示不同行为的视频序列，利用k近邻搜索算法进行关键姿态提取，能提取出鲁棒性和区分性更强的关键姿态序列，在识别匹配过程中，利用形状上下文信息进行关键姿态的动态匹配，以解决对应行为分段中的关键姿态数量不一致的问题，同时，形状上下文信息也能提供在行为识别过程中更丰富的关键姿态之间的信息量。
申请人：泉州装备制造研究所
地址：362000 福建省泉州市台商投资区东园镇群青村杏秀路行政服务大楼5楼511室
国籍：CN
代理机构：泉州市文华专利代理有限公司
代理人：陈云川
更多信息请下载全文后查看。
基于人体骨架时空特征的行为识别方法研究
硕士学位论文论文题目：基于人体骨架时空特征的行为识别方法研究作者姓名赫磊指导教师张剑华副教授第二导师邵展鹏讲师学科专业计算机技术学位类型工程硕士培养类别全日制专业学位硕士所在学院计算机科学与技术学院提交日期：2020年06月Action Recognition Based on Spatiotemporal Features ofHuman SkeletonDissertation Submitted toZhejiang University of Technologyin partial fulfillment of the requirementfor the degree ofMaster of EngineeringbyLei HEDissertation Supervisor: Associate Prof. Zhan-peng SHAOJune., 2020浙江工业大学学位论文原创性声明本人郑重声明：所提交的学位论文是本人在导师的指导下，独立进行研究工作所取得的研究成果。
除文中已经加以标注引用的内容外，本论文不包含其他个人或集体已经发表或撰写过的研究成果，也不含为获得浙江工业大学或其它教育机构的学位证书而使用过的材料。
对本文的研究作出重要贡献的个人和集体，均已在文中以明确方式标明。
本人承担本声明的法律责任。
作者签名：日期：2020 年06 月学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。
本人授权浙江工业大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。
本学位论文属于1、保密□，在一年解密后适用本授权书。
2、保密□，在二年解密后适用本授权书。
3、保密□，在三年解密后适用本授权书。
4、不保密□。
（请在以上相应方框内打“√”）作者签名：日期： 2020 年 06 月导师签名：日期： 2020 年 06 月中图分类号TP391 学校代码10337 UDC 004 密级公开研究生类别全日制专业学位硕士硕士学位论文基于人体骨架时空特征的行为识别方法研究Action Recognition Based on Spatiotemporal Features ofHuman Skeleton作者赫磊第一导师张剑华副教授申请学位工学硕士第二导师邵展鹏讲师学科专业计算机技术培养单位计算机科学与技术学院研究方向行为识别答辩委员会主席盛伟国答辩日期：2020 年07 月08 日摘要基于人体骨架时空特征的行为识别方法研究摘要视频序列中人体动作的自动分析、检索和识别是计算机视觉中一个重要的任务，是机器视觉、模式识别、人工智能等多个学科领域的交叉研究课题，在视频监控、人机交互，智能机器人、虚拟现实等领域具有广泛的应用。
一种基于人体骨骼信息的连续动作识别方法[发明专利]
![一种基于人体骨骼信息的连续动作识别方法[发明专利]](https://img.taocdn.com/s3/m/345a75a5e518964bce847ca5.png)
专利名称：一种基于人体骨骼信息的连续动作识别方法专利类型：发明专利
发明人：黎张子康,周小舟
申请号：CN202010941604.1
申请日：20200909
公开号：CN112131979A
公开日：
20201225
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于人体骨骼信息的连续动作识别方法，该方法包括：（1）提取人体的骨架，获得身体多个节点位置信息；（2）判断动作中关键节点以及无关节点，以连续动作的关键节点的距离信息作为动作识别的观测值特征序列；（3）对观测值特征序列进行归一化处理；（4）采用已训练好的HMM模型对连续动作对应的观测序列进行概率计算；（5）根据不同动作对应节点所占权重不同，对所得概率进行加权平均，输出最终结果。
本发明能够降低无关节点信息对动作识别的影响，并且合理地对不同节点序列计算所得概率进行加权平均，减小运算量，提高识别准确率，提升用户体验。
申请人：东南大学
地址：210096 江苏省南京市玄武区四牌楼2号
国籍：CN
代理机构：南京众联专利代理有限公司
代理人：薛雨妍
更多信息请下载全文后查看。
【CN109741369A】一种用于机器人跟踪目标行人的方法及系统【专利】
2
CN 109741369 A
权 利 要 求 书
2/2 页
5 .根据权利要求4所述的一种用于机器人跟踪目标行人的系统，其特征在于，所述机器 人采用安卓机器人；所述手机主板采用安卓的手机主板。
6 .根据权利要求4所述的一种用于机器人跟踪目标行人的系统，其特征在于，所述HOG 特征的提取方法设定如下：
彩色图像灰度化，即将图像看成一个x ,y ,z的三维灰度图像； 采用Gamma校正法对输入图像进行颜色空间的标准化，即归一化；目的是调节图像的对 比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰； 计算图像每个像素的 梯度 ，包括大小和方向 ；捕获轮廓信息 ，同时进一步弱化光照的干 扰； 将图像划分成多个子块； 统计每个子块的梯度直方图 ，即不同梯度的个数 ，形成每个子块的描述子 ； 将每个子块组成一个区 块 ，一个区 块内 有所有子块的 特征描述子 ，将特征描述子串联 起来便得到该区块的HOG特征描述子； 将图像内的所有区块的HOG特征描述子串联起来就可以得到该图像HOG特征，该特征就 是最终的可供分类使用的特征向量。 7 .根据权利要求6所述的一种用于机器人跟踪目标行人的系统，其特征在于，所述子块 为6*6像素，所述区块大小为3*3子块。 8 .根据权利要求4所述的一种用于机器人跟踪目标行人的系统，其特征在于，所述SVM 的训练过程设定如下： 准备正负样本集，正样本应为裁剪后的行人图像，负样本为无人背景图像，将正负样本 图 像大小缩放到 相同 尺寸 ；所述缩放到 相同 尺寸为64*128 ；提取正负样本的 HOG特征 ；将正 负样本的HOG特征赋予标签，正样本为1，负样本为0；将正负样本的HOG特征和正负样本的标 签输入到SVM中进行训练；将SVM的输出结果保存。 9 .根据权利要求8所述的一种用于机器人跟踪目标行人的系统，其特征在于，所述缩放 到相同尺寸位64*128。 10 .根据权利要求4所述的一种用于机器人跟踪目标行人的系统，其特征在于，多尺度 KCF跟踪算法流程设计如下： 提取图片特征：KCF的训练和检测输入常常是特征图而非图片本身，在相关滤波框架下 使用fHOG特征，CN特征； 初始化环节：输入初始化图片特征图和初始化目标框，生成高斯回归标签，将特征图和 标签进行傅里叶变换，在频域训练跟踪器，并保存滤波模板； 跟踪环节：使用n个缩放因子，对前一帧的目标尺寸进行缩放，获得n个不同尺度的感兴 趣区域 ，提取n个对应的特征图 ；使 用前一帧 训练好的滤波器与特征模板对这n个特征图分 别检测 ，得到n个响应图 ，计算各个响应图的峰值点 ；最大峰值点对应的特征图的尺度就是 最佳尺度 ，其坐标就代表目 标 相对前一帧的 移动的 偏移量 ；使 用当前检 测出的目 标位置 和 尺寸提取出相应区域的特征图 ，在当前训练新的分类器 ，并更新滤波模板。
【CN109993116A】一种基于人体骨骼相互学习的行人再识别方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910252915.4(22)申请日 2019.03.29(71)申请人 上海工程技术大学地址 201620 上海市松江区龙腾路333号(72)发明人 魏丹 王子阳 胡晓强 罗一平 (74)专利代理机构 上海科盛知识产权代理有限公司 31225代理人 蔡彭君(51)Int.Cl.G06K 9/00(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称一种基于人体骨骼相互学习的行人再识别方法(57)摘要本发明涉及一种基于人体骨骼相互学习的行人再识别方法，包括：(1)采用自下而上的方法估计行人姿势和骨架，并在此过程中标记行人的关节点，使用关节点分割法进行局部分割行人并执行局部块匹配；(2)通过自下而上方法以行人2D骨架为基础估计所述关节点距离来学习全局骨架信息，并执行全局骨架匹配；(3)采用基于生物特征的局部块匹配和整体骨架匹配进行相互学习，并分别训练分类损失和度量损失，将得到的相互学习损失分摊到全局特征匹配中，作为先验经验来指导和纠正全局匹配错误。
与现有技术相比，本发明具有影响因素少、局部匹配准确性提升、识别准确率更高等优点。
权利要求书2页 说明书4页 附图1页CN 109993116 A 2019.07.09C N 109993116A1.一种基于人体骨骼相互学习的行人再识别方法，其特征在于，所述方法包括以下步骤：(1)采用自下而上的方法标记行人的关节点，得到行人姿势和2D骨架；(2)使用关节点分割法进行局部分割行人并执行局部块匹配；(3)估计所述关节点距离来学习全局骨架信息，执行全局骨架匹配；(4)采用基于生物特征的局部块匹配和整体骨架匹配进行相互学习，并分别训练分类损失和度量损失，将得到的相互学习损失分摊到全局特征匹配中，作为先验经验来指导和纠正全局匹配错误。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910176928.8
(22)申请日 2019.03.08
(71)申请人 广东省智能制造研究所
地址 510000 广东省广州市越秀区先烈中
路100号大院13号楼
(72)发明人 钟震宇 马敬奇 雷欢 杨慧莉
(74)专利代理机构 广州粤高专利商标代理有限
公司 44102
代理人 罗晓林 杨桂洋
(51)Int.Cl.
G06T 7/246(2017.01)
G06K 9/00(2006.01)
G06K 9/46(2006.01)
G06K 9/62(2006.01)
(54)发明名称
一种基于人体骨架结构化特征的行人目标
跟踪方法
(57)摘要
一种基于人体骨架结构化特征的行人目标
跟踪方法，包括以下步骤，记录目标运动视频，对
目标运动视频图像进行均衡化预处理，提取行人
的骨架坐标信息，手动选择跟踪目标行人，建立
目标初始特征模板图像，跟踪目标行人；若目标
行人正常，继续跟踪，若目标行人丢失，执行下一
步；根据目标行人丢失前的视频图像和目标行人
的骨架坐标信息提取目标结构化特征图像并更
新目标特征模板图像，提取所有行人的结构化特
征图像并与目标特征模板图像进行逐一匹配，根
据匹配结果重新定位目标行人位置；然后继续跟
踪目标。
本发明可实现在复杂多人场景下对目标
行人的稳定持续跟踪，解决目前跟踪算法在多人
重叠、遮挡等情况下跟踪目标容易丢失且难以自
动找回的问题。
权利要求书2页 说明书8页 附图4页CN 109949341 A 2019.06.28
C N 109949341
A
权 利 要 求 书1/2页CN 109949341 A
1.一种基于人体骨架结构化特征的行人目标跟踪方法，包括以下步骤：
S1，利用摄像头记录目标运动视频，通过对目标运动视频图像进行均衡化预处理；
S2，针对目标运动视频图像，通过人体骨架检测提取行人的骨架坐标信息，手动选择跟踪目标行人，根据目标行人的骨架坐标信息建立目标初始特征模板图像，对目标行人进行跟踪；
S3，判断目标行人是否处于跟踪丢失状态，若目标行人正常，则保持当前状态继续跟踪，若目标行人丢失，则执行下一步，转入步骤S4；
S4，根据目标行人丢失前的视频图像和目标行人的骨架坐标信息提取目标结构化特征图像并更新目标特征模板图像，然后根据当前时刻视频图像和行人的骨架坐标信息提取所有行人的结构化特征图像，将当前时刻所有行人的结构化特征图像与目标特征模板图像进行逐一匹配，根据匹配结果重新定位目标行人位置；
S5，目标行人重定位后继续跟踪目标。
2.根据权利要求1所述的基于人体骨架结构化特征的行人目标跟踪方法，其特征在于，所述图像预处理是采用CLAHE算法对图像进行均衡化。
3.根据权利要求1所述的基于人体骨架结构化特征的行人目标跟踪方法，其特征在于，所述人体骨架检测过程为：采用OpenPose方法提取人体骨架关键点信息，包括人体骨架18个关键点P i＝{(x i,y i)|i＝0,1,...,17}，人体骨架关键点包括左眼、右眼、左耳、右耳、嘴巴、左肩、右肩、胸颈处、左肘、右肘、左手、右手、左髋、右髋、左膝、右膝、左脚和右脚。
4.根据权利要求1所述的基于人体骨架结构化特征的行人目标跟踪方法，其特征在于，所述目标行人跟踪过程采用KCF、TLD、CSK或Struck算法进行跟踪。
5.根据权利要求1所述的基于人体骨架结构化特征的行人目标跟踪方法，其特征在于，所述结构化特征图像是指根据人体骨架结构提取的人体各部位区域的衣着特征图像，特征图像用R n(n＝1,2,3,4,...)表示，n为结构化特征图像个数，包括左眼、右眼、左耳、右耳、嘴巴、左肩、右肩、胸颈处、左肘、右肘、左手、右手、左髋、右髋、左膝、右膝、左脚和右脚图像。
6.根据权利要求1所述的基于人体骨架结构化特征的行人目标跟踪方法，其特征在于，所述目标初始特征模板图像是根据人体骨架所提取的目标行人各部位区域特征图像，是在执行目标行人跟踪前建立并保存的目标正常状态下的特征模板图像。
7.根据权利要求1所述的基于人体骨架结构化特征的行人目标跟踪方法，其特征在于，所述目标行人是否处于丢失状态是以跟踪置信度为标准进行判断，若当前跟踪过程的跟踪置信度小于跟踪置信度判断阈值，若判别目标处于丢失状态，则需要更新目标特征模板图像并重新定位目标行人；若当前跟踪置信度大于跟踪置信度判断阈值，则保持当前状态继续跟踪。
8.根据权利要求6所述的基于人体骨架结构化特征的行人目标跟踪方法，其特征在于，设跟踪置信度为q，q∈[0,1]，其中，0表示跟踪过程中目标行人的可信度最低，1表示跟踪过程中目标行人的可信度最高，跟踪目标处于丢失状态的跟踪置信度值为最低值且作为判断阈值记为Q0，正常跟踪过程的跟踪置信度值为最高值且记为Q1，具体判断方法如下：S3.1，对目标进行跟踪，计算获得跟踪置信度值q；
S3.2，当第N帧图像中的目标行人跟踪置信度q N大于跟踪置信度判断阈值Q0时，不需要更新目标特征模板图像，保持当前状态继续跟踪；当第N帧图像目标跟踪置信度q N小于跟踪
2。