1.一种基于多成分鲁棒PCA的运动目标检测方法，其特征在于，包括：S101、对待检测视频序列进行行列向量化，获得视频数据矩阵；

S102、根据所述视频数据矩阵，构建多成分鲁棒PCA模型；

S103、采用增广拉格朗日乘子法对所述多成分鲁棒PCA模型进行交替迭代优化和乘子更新；

S104、更新迭代次数，计算并判断当前次迭代是否收敛；

S105、若当前次迭代收敛，则根据当前次迭代结果计算得到背景矩阵、所检测得到的运动目标矩阵和背景中的动态变化矩阵，从而实现运动目标检测，否则返回执行步骤S103。

2.如权利要求1所述的基于多成分鲁棒PCA的运动目标检测方法，其特征在于，所述S101具体包括：m×n

对视频序列进行行列向量化，获得视频数据矩阵，其中，X∈R ，X表示视频数据矩阵，R表示视频帧，m为视频帧的像素数，n为视频帧数。

3.如权利要求2所述的基于多成分鲁棒PCA的运动目标检测方法，其特征在于，所述S102具体包括：根据所述视频数据矩阵，构建多成分鲁棒PCA模型，其中，所述多成分鲁棒PCA模型为：m×n

式 中，A∈R 为低 秩成 分，

m×n

为矩阵A的核范数，表示背景矩阵，E1、E2∈R 为稀疏成分，λ1、λ2为正则化参数，||E1||1为稀疏成分E1的1范数，表示运动目标矩阵， 为稀疏成分E2的F范数，表示背景中的动态变化矩阵， 表示E1、E2的相干性约束，γ表示相干性权重参数。

4.如权利要求3所述的基于多成分鲁棒PCA的运动目标检测方法，其特征在于，所述S103具体包括：S1031、构建所述多成分鲁棒PCA模型的增广拉格朗日函数为：m×n

式中，Y∈R 为拉格朗日乘子，β表示惩罚系数；

S1032、固定所述增广拉格朗日函数中的E1和E2，计算参数T＝X-E1k-E2k-Yk/βk，对计算参数T进行skinny奇异值阈值收缩，从而求得本次迭代更新后的低秩成分Ak+1，其中，k为上次迭代次数，E1k表示上次迭代后E1的值，E2k表示上次迭代后E2的值，Yk表示上次迭代后拉格朗日乘子的值，βk表示上次迭代后惩罚系数的值；

S1033、固定所述增广拉格朗日函数中的 A 和 E2，计算参数对计算参数T进行阈值为 的软阈值收缩，从而求得本次迭代更新后的稀疏成分

S1034、固定所述增广拉格朗日函数中的A和E1，并进行求导后得到本次迭代更新后的稀疏成分S1035、更新拉格朗日乘子为 和惩罚参数βk+1＝min(ρβk,βmax)，其中，ρ为倍数因子，且ρ>1。

5.如权利要求4所述的基于多成分鲁棒PCA的运动目标检测方法，其特征在于，所述S104具体包括：S1041、更新迭代次数；

S1042、计算收敛性条件RelErr1和RelErr2，其中，RelErr2＝||Yk+1-Yk||F/||X||F；

S1043、当RelErr1>ε1或RelErr2>ε2时，判定位当前次迭代收敛，否则判定为不收敛，其中，ε1、ε2表示第一阈值和第二阈值。

6.如权利要求5所述的基于多成分鲁棒PCA的运动目标检测方法，其特征在于，所述S105具体包括：S1051、若当前次迭代收敛，则输出当前次迭代更新后的低秩成分Ak+1、稀疏成分 和稀疏成分S1052、根据所述低秩成分Ak+1、稀疏成分 和稀疏成分 计算得到背景矩阵||A||*、运动目标矩阵||E1||1和背景中的动态变化矩阵 从而实现运动目标检测；

S1053、若当前次迭代不收敛，则返回执行步骤S103。