1.基于超像素特征的运动目标检测方法，其特征是，包括以下步骤：

步骤S1，针对视频序列的前N帧，利用SLIC0分割法对每帧图像进行超像素分割，并提取各超像素块的像素均值作为其超像素特征值；

步骤S2，以SLIC0分割时均匀分配的初始种子点位置上的超像素特征值为此超像素块样本值，根据前N帧超像素块样本值构建各初始种子点位置上的超像素块的样本模型；

步骤S2中，构建的第i个初始种子点位置上的超像素块的样本模型表示如式(4)所示：其中Mi(p)为第i个初始种子点位置上的超像素块的样本模型，为每一个超像素块构建N个样本，而 则表示第i个初始种子点位置上的超像素块的样本模型中的第N个样本值，而其样本值则由第i个初始种子点位置上的超像素块的特征值表示；

步骤S3，提取新的一帧图像，利用SLIC0分割法对图像进行超像素分割，计算其每个初始种子点上的超像素块与该种子点上超像素块的样本模型中每个样本之间的欧氏距离，若某超像素块与样本之间欧式距离小于距离阈值R的总数小于匹配阈值，则判断该超像素块为前景块；此帧图像中所有的前景超像素块便组成了运动目标检测结果。

2.根据权利要求1所述的基于超像素特征的运动目标检测方法，其特征是，步骤S1中SLIC0超像素分割具体实现的步骤如下：步骤S11，首先按照预先给定的超像素个数，在整幅图像中均匀分配初始种子点，设待分割图片共含有Num个像素点，预先设定的超像素分割个数为K，可以计算出每个超像素的大小约为Num/K，而相邻初始种子点之间的距离则近似为步骤S12，计算该种子点n*n邻域内所有像素点的梯度值，并把该邻域内梯度最小的像素点定为新的种子点；

步骤S13，对于在2S*2S区域内搜索到的像素点，计算它和该种子点的距离，距离的度量方式有颜色距离度量和空间距离度量，相应的计算方法如公式(1)所示：其中， 代表当前像素点j和种子点i之间的颜色距离，l,a,b分别为Lab颜色空间中的三要素，l表示亮度，a表示从洋红色至绿色的范围，b表示从黄色至蓝色的范围， 代表当前像素点j和种子点i之间的空间距离，x,y是XY坐标，Di(j)代表当前像素点j和种子点i之间最终的距离度量，Ns是类内最大空间距离，定义为 Nc为最大的颜色距离，用一个固定常数m代替；联合颜色距离和空间距离，从而得到最终的距离度量Di(j)，如公式(2)所示：在种子点搜索周围像素点的过程中，若像素点会被多个种子点搜索到，则计算出该像素点与周围种子点的距离的最小值，并用该最小值所对应的种子点作为该像素点的聚类中心；

步骤S14，不断迭代直到每个像素点聚类中心不再发生变化，从而将图像分割为各超像素块。

3.根据权利要求1所述的基于超像素特征的运动目标检测方法，其特征是，超像素块的像素均值作为该超像素特征的特征值，特征值计算公式如式(3)所示：其中，p(x)为每个超像素块中的像素点的像素值，而Sq为第q个超像素块，#Sq为第q个超像素块中像素点个数，Sq(p)则为第q个超像素块的特征值。

4.根据权利要求1所述的基于超像素特征的运动目标检测方法，其特征是，步骤S3中，欧氏距离如式(5)所示：其中 表示第i个初始种子点位置上的当前超像素块的特征值 与其样本模型中的第k个样本值 之间的欧氏距离。

5.根据权利要求1所述的基于超像素特征的运动目标检测方法，其特征是，依据上一帧图像的检测结果，更新距离阈值和样本模型，然后再提取下一帧新的图像，重复步骤S3的过程获得运动目标检测结果，不断重复此过程直至得到所有帧图像的运动目标检测结果；

其中距离阈值的更新公式如式(7)所示：

其中α,β是预先设定的一个系数，σ(p)是背景复杂度；

而对样本模型以概率1/δ(p)进行更新，样本模型更新概率的更新方式如式(8)所示：其中，res(p)＝1表示当前超像素被检测为前景，res(p)＝0表示当前超像素被检测为背景，γ是预先设定的系数，σ(p)是背景复杂度；并且只有当该超像素块为背景超像素块时，才会进行背景模型的更新，即从样本模型中随机选取一个样本值Sk(p)并用当前超像素特征值St(p)取代；

背景复杂度σ(p)的度量公式如式(6)所示：