1.一种鲁棒性的视频目标对象跟踪方法，用于对视频中标定的目标对象进行连续跟踪，其特征在于，包括以下步骤：

步骤11)，基于粒子滤波重要性采样原理，采样获取当前帧第t帧的候选目标粒子；

所述步骤11)包括预测和更新两个阶段，其中，预测阶段包括：以第t-1帧的状态变量为均值和常数为方差进行高斯随机采样获得第t帧的状态变量；定位出状态变量在当前帧第t帧图像中所对应的区域；把所述区域映射到规范化大小的矩形模板；对所述矩形模板向量化得到候选目标粒子的灰度观测向量；

更新阶段包括：计算的判别函数值作为筛选后的候选目标粒子所对应状态变量的权重，被滤去的候选目标所对应状态变量权重设为0，并将所有粒子权重进行归一化处理，根据归一化后权值进行重新采样得到新的状态变量；

所述预测阶段具体为，以第t-1帧重采样后的状态变量矩阵 为均值，定义的常数δ∈R1×6为方差进行高斯随机采样得到第t帧状态变量矩阵st，st＝st-1+randn*diag(δ)；

其中， 是一个随机矩阵，diag(δ)是一个对角化的操作；n0为粒子的数目，6为每个粒子状态变量的维数，包括2个位置参数和4个变形参数；

δ＝(xt,yt,θt,st,at,φt)，xt为x方向的位移、yt为y方向的位移、θt为旋转角度、st为尺度变化、at为宽高比、φt为斜切度；

找出st中每个粒子状态变量，即st的每一行在当前帧第t帧图像中所对应的区域并规范化为模板大小，相应的向量化灰度图像观测组成的矩阵为X0＝[x1,x2,…，xn0]，其中xi∈Rd为第i个候选目标粒子的灰度观测向量，d为粒子灰度向量化的维数；

步骤12)，基于候选目标粒子与第t-50、t-40、t-30、t-20、t-10、t-5、t-4、t-3、t-2、t-1帧目标对象跟踪结果的余弦相似性，滤去离异粒子；

步骤13)，对筛选后的侯选目标粒子进行基于模板字典的线性表示；

步骤14)，建立求解线性系数矩阵的低秩稀疏数学模型；

步骤15)，基于不精确拉格朗日乘子优化算法求解系数矩阵；

步骤16)，根据判别函数值选出最佳的候选目标作为跟踪结果；

步骤17)，在线更新模板字典。

2.如权利要求1所述的一种鲁棒性的视频目标对象跟踪方法，其特征在于：所述的步骤

12)为，

计算候选目标粒子与第t-50、t-40、t-30、t-20、t-10、t-5、t-4、t-3、t-2、t-1帧目标对象的余弦相似度，滤去相似度值都小于阈值的候选目标粒子，余弦相似度的计算公式为：其中，xi是第i个获选目标粒子的灰度观测向量，yj是第j帧目标对象跟踪结果的灰度观测向量；对于第i个候选目标粒子，若 η为常数，都成立，就滤去该候选粒子，剩下的候选目标粒子组成新的矩阵X∈Rd×n,其中n<

3.如权利要求1所述的一种鲁棒性的视频目标对象跟踪方法，其特征在于：所述的步骤

13)具体为，通过对第一帧手动标出的目标对象坐标加1或者减1产生目标模板集同时在标出的目标对象约定半径外随机采样产生背景模板集 把目标模板集和背景模板集组合成模板字典 其中，no和nb分别为目标模板集和背景模板集中目标模板和背景模板的个数，d为粒子灰度向量化的维数；为应对目标外观的变化，防止跟踪发生漂移，模板字典必须在跟踪过程中更新；经筛选后的候选目标粒子组成的矩阵X能够被模板字典线性表示，公式表示为：X＝DZ+E，其中X为筛选后的获选目标粒子组成的观测矩阵，D为模板字典，Z为线性系数矩阵，E为误差矩阵。

4.如权利要求1所述的一种鲁棒性的视频目标对象跟踪方法，其特征在于：所述的步骤

14)具体为，利用线性系数矩阵固有属性和前后帧目标对象线性表示系数一致性，建立求解该系数矩阵的数学模型，该线性系数矩阵Z具有低秩、稀疏、行稀疏属性，同时系数矩阵Z的每一列都减去前一帧目标对象的线性表示系数z0后具有列稀疏性，据此建立关于系数矩阵的数学模型为：

λ1||Z||*+λ2||Z||1,2+λ3||Z||1,1+λ4||Z-Z0||2,1+λ5||E||1,1s.t.X＝DZ+E                (式1)；

其中，X为筛选后的候选目标粒子组成的观测矩阵，每一列代表一个候选目标粒子；D为模板字典，包括目标模板集和背景模板集；Z为线性系数矩阵，E为误差矩阵；矩阵Z0＝z01T的每一列都是z0，z0为前一帧目标对象跟踪结果的线性表示系数；||Z||*是矩阵Z核范数，其值等于Z的奇异值之和，用来约束Z的秩，||Z||p,q是矩阵Z的p,q范数，其中[Z]ij为矩阵Z的第i行第j个元素，p＝1,q＝2时约束Z行稀疏，p＝2,q＝1约束Z列稀疏，p＝1,q＝1约束Z稀疏。

5.如权利要求4所述的一种鲁棒性的视频目标对象跟踪方法，其特征在于：所述的步骤

15)具体为，

采样不精确拉格朗日乘子优化算法求解(式1)中系数矩阵，引进了四个等式约束：利用增广拉格朗日乘子法合并(式2)中等式约束和目标函数，得到拉格朗日函数：其中，Y1,Y2,Y3,Y4,Y5为拉格朗日乘数，μ为大于0的惩罚参数，(式3)通过一个封闭的迭代操作进行优化求出系数矩阵，算法过程为：在每一轮的封闭迭代中，首先计算误差矩阵X-D*Z-E的Frobenius范数norm(X-D*Z-E,'fro')，如果该范数值大于大于设定值e，那么继续迭代，也即先固定Y1,Y2,Y3,Y4,Y5的值，然后通过对 进行奇异值分解限制得到Z1的估计值，也即 通过对进行行稀疏限制得到Z2的估计值，也即 通过对 进行阈值限制得到Z3的估计值，也即 通过对 进行列稀疏限制得到Z4的估计值，也即通过对 进行阈值限 制得到E的估计值 ，也即通过矩阵运算可以得到Z的估计值，也即

利用这些估计值又可以得到Y1、

Y2、Y3、Y4、Y5的估计值，也即Y1＝Y1+μ(X-DZ-E)，Y2＝Y2+μ(Z-Z1)，Y3＝Y3+μ(Z-Z2)，Y4＝Y4+μ(Z-Z3)，Y5＝Y5+μ(Z-Z4-Z0)，最后更新μ的值，也即μ＝min(ρμ，μmax)此时一轮迭代结束，回到算法开始检查误差，判断是否要开始包含同样过程的新一轮迭代；

其中，X为筛选后的候选目标粒子组成的观测矩阵，每一列代表一个候选目标粒子；D为模板字典，包括目标模板集和背景模板集；Z为线性系数矩阵，E为误差矩阵；Z1，...，4为与Z等价的中间变量，Y1、Y2、Y3、Y4、Y5为拉格朗日乘数，这些矩阵都初始化为O矩阵；μ为惩罚参数，ρ，μmax，e为常数参数，设定μ＝10-6，ρ＝1.1，μmax＝1010，e＝10-8；Sε(Q)、Dε(Q)、Tε(Q)、Wε(Q)是关于矩阵Q和参数ε的函数，公式为：Sε(Q)＝max(|Q|-ε，0)sgn(|Q|)，其中sgn(·)为符号函数Dε(Q)＝USε(∑)VT，其中Q＝U∑VT为奇异值分解Tε(Q)为对矩阵Q的计算，计算结果为矩阵，在结果矩阵中第i列为 ε＜||qi||2，否则为零向量，其中qi为矩阵Q的第i列；

Wε(Q)为对矩阵Q的计算，计算结果为矩阵，在结果矩阵中第i行为 ε＜||pi||2，否则为零向量，其中pi为矩阵Q的第i行。

6.如权利要求1所述的一种鲁棒性的视频目标对象跟踪方法，其特征在于：所述的步骤

16)中，包括：

计算候选目标粒子在目标模板集上的重构误差；

计算候选目标粒子在背景模板集上的重构误差；

计算判别函数的值；

根据判别函数值确定当前帧的跟踪结果；其中，判别函数的公式为上式中， 为候选目标粒子xk在目标模板集Do上的重构误差，为候选目标粒子xk在背景模板集Db上的重构误差，使判别函数最大的候选目标粒子xi作为当前帧的跟踪结果yt； 为候选目标粒子xk在目标模板集Do上的线性表示系数； 为候选目标粒子xk在背景模板集Db上的线性表示系数。

7.如权利要求6所述的一种鲁棒性的视频目标对象跟踪方法，其特征在于：所述的步骤

17)具体为，模板字典的更新包括目标模板集的更新和背景模板集的更新；其中，目标模板集的更新具体步骤如下：a：yt是当前帧的跟踪结果，即使判别函数最大的候选目标粒子xi；

b： 是当前帧的跟踪结果yt或者xi在目标模板集上的线性表示系数；

c：w是当前权重，wk←||D0(:,k)||2；

d：τ为定义的阈值；

e：根据 更新权值：

f：if(cos≤τ),这里的cos为余弦相似度函数，g：

h：Do(:,k0)←yt；

i： 即w的中值；

j：end if

k：归一化w，使得w的和为1；

l：调整w，使得max(w)＝0.3；

m：归一化Do(:,k)，使得||Do(:,k)||2←wk；

其中，Do(:,k)表示目标模板集Do的第k列；Do(:,m)表示目标模板集Do的第m列；||Do(:,k)||2表示表示目标模板集Do的第k列的L2范数；mo为k的最大取值范围。

8.如权利要求7所述的一种鲁棒性的视频目标对象跟踪方法，其特征在于：所述的背景模板集的更新为：以当前帧目标对象的中心为圆心，在大于r小于R的圆环内随机采样mb个与当前跟踪的目标一样大的图像块作为背景模板集。