1.一种基于双目视觉的目标定位方法，其特征在于该方法包括如下步骤：

步骤一：输入大小为k×l的彩色左图像，目标模板图像大小为k1×l1，k1≤k，l1≤l，令变量o=k1，p=l1，x=y=0；对目标模板图像的颜色、饱和度概率建模，将目标模板图像转化为H-S直方图，并归一化处理；

步骤二：从输入图像的左上角(x,y)开始，切割一块(x,y)至(k1,l1)的临时图像，生成临时图像的H-S直方图，并归一化处理；

步骤三：将临时图像的H-S直方图和目标模板图像的H-S直方图按式（2）进行相关性对比，对比结果记为C(H1,H2)；

其中， k取值1和2，i=j=1,2,3,…,N，N为直方图

中区间的个数，Hk(i)为第k个直方图中第i个区间上的值；

步骤四：将直方图对比结果C(H1,H2)作为反向投影图像(x,y)处的像素值；

步骤五：令y=y+1，l1=l1+1，当l1≤l时，返回步骤二，即按竖直方向切割输入图像；

步骤六：当l1>l时，令y=0，k1=o，l1=p，x=x+1，k1=k1+1，返回步骤二，即一列一列地向右推移切割输入图像；

步骤七：重复步骤二至步骤六，当k1>k时结束，即切割输入图像直至其右下角；

步骤八：兴趣点检测：使用不同尺寸的盒形滤波器对原图像滤波来构建图像金字塔，在不同的尺度空间用Hessian矩阵求极值，然后在其3×3×3的立体领域内进行非极大值抑制，将比上下尺度各9个以及本尺度邻域8个共计26个邻域值都大或都小的极值点作为候选兴趣点，再在尺度空间和图像空间进行插值运算，得到稳定的兴趣点位置及其所在的尺度值；

步骤九：兴趣点描述：对以每一个兴趣点为圆心，半径为6s的邻域内的点分别计算x、y方向上边长为4s的Haar小波响应，s为兴趣点所在的尺度值，然后以兴趣点为中心对响应值进行高斯函数加权，最后采用60°的滑动扇形窗口，计算该扇形处于每个角度时窗口内响应之和，并记录窗口环绕一周所形成的每一个矢量，选择最长矢量的方向作为该兴趣点的主方向；

选定兴趣点主方向后，以兴趣点为中心，按主方向选取边长为20s的正方形区域，将该区域划分为4×4共计16个正方形子区域，对每一个子区域按5s×5s的大小取样，分别计算相对于主方向的水平、垂直方向的Haar小波响应，同时为响应值赋予不同的高斯权重，以增强对几何变形及定位误差的鲁棒性；然后对每个子区域的响应和响应的绝对值求和得到一个四维向量v=(Σdx,Σ|dx|,Σdy,Σ|dy|)，dx、dy分为水平和垂直方向的Haar小波响应，|dx|、|dy|分为水平和垂直方向的Haar小波响应的绝对值；对每一个兴趣点，将16个正方形子区域的向量组合起来便形成64维SURF描述子向量，归一化后使描述算子对光照具有一定的鲁棒性；

步骤十：利用SURF算法，将于左图像提取的目标模板与左右图像进行匹配，获得兴趣点对集合Il和Ir；

步骤十一：搜索两个兴趣点对集合，在左右两幅图像中寻找与模板图像具有相同匹配点的兴趣点，然后依次将左右图像中这些兴趣点存放在集合Sl和Sr中，集合中元素个数分别有m和n个；

步骤十二：由于存在标定误差，经立体校正后，左右图像中仍然可能存在微小的畸变以及行不对齐，因此兴趣点筛选公式如下:|v1i-v2i|≤δ (3)

其中，i=1,2,3,…,n，δ为筛选阈值，v1i、v2i分别表示集合Sl、Sr中第i个元素的纵坐标，即已知左图上的兴趣点(u1i,v1i)与右图上的兴趣点(u2i,v2i)，若两个兴趣点所在的极线间的距离小于等于δ个像素，则称该匹配点为有效匹配点；将左右图像中的有效匹配点分别存入集合Slw和Srw中，此时两个集合元素个数相等，都为w个；

步骤十三：由上述匹配点筛选方法获得的有效匹配点集合Slw和Srw中对应的兴趣点对，可以较好地保证对应于目标实物中的相同位置，具有良好的空间位置一致性，由式（4）实现间接匹配：其中， 为左图像特征点坐标， 为间接匹配得到的右图像中特征点坐

标,u1i、u2i分别为左右图像上的兴趣点的横坐标，i=1,2,3,…,w，w为有效匹配点个数；

步骤十四：由三角测量原理可得到空间场景点的三维坐标：

其中，b为基线距离，f为两摄像头焦距，(u1,v1)、(u2,v2)为空间点在左右成像平面的图像坐标，即上述步骤中的特征点坐标，(u0,v0)为主点偏置坐标；X,Y,Z分别为目标在摄像头坐标系下的三维坐标。