1.一种基于螺旋视觉-运动模型的视频跟踪方法，其特征在于，包括以下步骤：步骤1)输入每帧测试图像；

步骤2)在步骤1)中输入的测试图像的前一帧图像目标位置周围提取候选样本图像块，其中，第一帧图像目标位置由手工框定；

步骤3)利用压缩跟踪原理，将步骤2)中取得的候选样本图像块进行高维向量压缩映射，得到低维的压缩特征向量；

步骤4)通过朴素贝叶斯分类器对步骤3)中得到的压缩特征向量计算分类器响应值，并计算最大响应值，对应的候选样本框位置记为视觉层跟踪结果，并更新分类器参数；

步骤5)通过步骤3)中得到的压缩特征向量计算视觉层误差率；

步骤6)根据步骤4)得到的视觉层跟踪结果利用卡尔曼滤波器计算运动层跟踪结果；

步骤7)通过步骤6)得到的运动层跟踪结果计算运动层误差率；

步骤8)计算步骤4得到的视觉层跟踪结果与模板间的欧氏距离，以及步骤6)得到的运动层跟踪结果与模板间的欧氏距离，并分别计算出视觉层似然函数与运动层似然函数；

步骤9)通过步骤8)得到的视觉层似然函数与运动层似然函数分别计算视觉层权值与运动层权值；

步骤10)通过步骤9)得到视觉层权值与运动层权值以及步骤5)得到的视觉层误差率与步骤7)得到的运动层误差率计算风险，当迭代过程中的风险函数减少值小于阈值时，停止迭代；

步骤11)将步骤10)停止迭代得到的运动层跟踪结果作为该迭代过程的最终运动层跟踪结果；

步骤12)在步骤11)得到的最终运动层跟踪结果周围提取正负样本，为下一帧跟踪做准备。

2.根据权利要求1所述的一种基于螺旋视觉-运动模型的视频跟踪方法，其特征在于：所述步骤2)中提取候选样本图像块方法为： 其中，k为迭代次数，x(k)为位置坐标， 为上一次迭代的运动层跟踪结果，γ为样本参数，Xγ表示候选样本图像块。

3.根据权利要求1所述的一种基于螺旋视觉-运动模型的视频跟踪方法，其特征在于：所述步骤3)中计算低维的压缩特征向量步骤如下：步骤3-1)根据提取到的候选样本图像块，通过类哈尔小波滤波器计算候选样本图像块的多尺度高维图像特征向量 表示n维实数；

步骤3-2)通过一个随机矩阵 表示m×n维实数，将h压缩为压缩特征向量v＝Φh

其中，m远小于n，随机矩阵Φ定义为：Φij为矩阵Φ的第i行第j列的元素，s＝n/4。

4.根据权利要求1所述的一种基于螺旋视觉-运动模型的视频跟踪方法，其特征在于：所述步骤4)中计算分类器最大响应值步骤如下：步骤4-1)将第i个候选样本图像块的压缩特征向量表示为v(i)＝{v1(i),…,vm(i)}，假设v(i)中的每个元素vj(i)，j＝1,…,m相互独立，并用朴素贝叶斯分类器对其进行建模，则(k)第k次迭代过程中v(i)的分类器响应值S (i)为：其中，p(y(k)＝1)＝p(y(k)＝0)，y(k)∈{0,1}表示正负样本标签， 表示第k次迭代得到的vj(i)， 和 分别表示正负后验概率，假设分类器中的条件分布是高斯分布：

步骤4-2)计算分类器最大响应值：

S(k)(im)＝argmaxiS(k)(i)并将该最大响应值S(k)(im)对应的候选样本框位置记为视觉层跟踪结果 其对应的候选样本图像块为第im个候选样本图像块；

步 骤 4 - 3 ) 更 新 分 类 器 参 数 方 法 为 ：正 高 斯 参 数 通 过和 的方式

1(k) 1(k)

更新，其中学习参数λ>0，μ 和σ 为积累高斯均值和方差；负高斯参数 更新方式同正高斯分布。

5.根据权利要求1所述的一种基于螺旋视觉-运动模型的视频跟踪方法，其特征在于：步骤5)通过步骤3)中得到的压缩特征向量计算视觉层误差率；

所述步骤5)中计算视觉层误差率步骤如下：(k)

步骤5-1)通过下式计算第i个候选样本图像块的误差error (i)：步骤5-2)将第im个候选样本图像块的归一化误差率定义为视觉层误差率

6.根据权利要求1所述的一种基于螺旋视觉-运动模型的视频跟踪方法，其特征在于：所述步骤6)利用卡尔曼滤波器计算运动层跟踪结果步骤如下：步骤6-1)在卡尔曼滤波器的预测阶段，计算状态和误差协方差：其中，F为状态矩阵，P为状态估计误差的协方差矩阵，Q为系统噪声协方差，k表示迭代次数，T表示矩阵转置符号， 表示 的先验估计值， 表示 的过程估计值， 表示 的后验估计值；

步骤6-2)，在卡尔曼滤波器的观测阶段，将运动层跟踪结果 更新为：其中，K为卡尔曼增益，H为观测矩阵，R为观测噪声协方差，I为单位矩阵，观测状态z(k)定义为；

S(k)(im)表示分类器最大响应值， 表示视觉层跟踪结果。

7.根据权利要求1所述的一种基于螺旋视觉-运动模型的视频跟踪方法，其特征在于：所述步骤7)中计算运动层误差率 的方法如下：所述步骤10)计算风险方法如下：

8.根据权利要求1所述的一种基于螺旋视觉-运动模型的视频跟踪方法，其特征在于：所述步骤8)中计算视觉层似然函数与运动层似然函数步骤如下：步骤8-1)计算视觉层跟踪结果和运动层跟踪结果与模板间的欧氏距离：其中， 表示视觉层跟踪结果与模板间的欧氏距离， 表示运动层跟踪结果与模板间的欧氏距离， 为视觉层跟踪结果的位置坐标， 为运动层跟踪结果的位置坐标；

步骤8-2)视觉层似然函数与运动层似然函数计算如下：其中， 表示视觉层似然函数， 表示运动层似然函数，λo为似然函数控制参数。

9.根据权利要求1所述的一种基于螺旋视觉-运动模型的视频跟踪方法，其特征在于：所述步骤9)计算视觉层权值 与运动层权值 方法如下：其中，阈值 λw为阈值控制参数， 表示负样本与模板间欧氏距离均值。

10.根据权利要求1所述的一种基于螺旋视觉-运动模型的视频跟踪方法，其特征在于：所述步骤12)在跟踪结果周围提取正负样本方法为：正样本 和负样本

(k)

其中，k为迭代次数，x 为位置坐标， 为上一次迭代的运动层跟踪结果，α,β, 为样本参数。