1.多特征分层融合的相关滤波鲁棒跟踪方法，其特征在于该方法的具体步骤是：步骤(1)、在当前帧中的上一帧目标估计位置和尺度上，分别提取HOG、CN和颜色直方图三种特征的位置候选样本；基于多通道相关滤波算法，通过位置相关滤波器分别得到HOG和CN特征响应图；通过颜色直方图滤波器和积分图技术，得到颜色直方图特征响应图；

步骤(2)、多特征分层融合：通过自适应加权融合策略，进行第一层的HOG特征和CN特征的特征响应图融合；将第一层融合结果与颜色直方图特征响应图进行第二层融合时，采用固定系数融合策略进行特征响应图的融合；

步骤(3)、位置估计：通过步骤(2)的融合后响应图的峰值位置得到当前帧目标估计位置；

步骤(4)、尺度估计：在当前帧的目标估计位置处提取HOG特征尺度候选样本，基于多通道相关滤波算法，通过尺度相关滤波器得到尺度响应图；通过尺度响应图的峰值位置得到当前帧目标估计尺度；

步骤(5)、模板更新：在当前帧的目标估计位置和尺度上，分别提取HOG、CN和颜色直方图三种特征，通过线性插值方法更新位置相关滤波器、尺度相关滤波器和颜色直方图滤波器。

2.根据权利要求1所述的多特征分层融合的相关滤波鲁棒跟踪方法，其特征在于步骤(1)基于多通道相关滤波算法，通过位置相关滤波器分别得到HOG和CN特征响应图，具体如下：记d通道目标外观模板为f，其每个通道特征表示为fl,l∈{1,...,d}；记相关滤波器为h，其由d个单通道滤波器hl组成；通过最小化训练损失函数ε求取h，如式(1)所示：其中*代表循环相关操作，用f正样本和其所有由循环移位产生的负样本当做训练集，用g表示训练输出； 是带有权重系数λ的正则项；求解式(1)时，通过将时域的卷积转化为频域的点乘，能极大地降低计算量；式(1)是一个线性最小二乘问题，其闭环解为：其中H、G、F分别表示h、g、f、的离散傅里叶变换形式， 和 分别表示G和F的复数共轭形式；

在目标跟踪过程中，目标的外观会发生变化，为了能持续跟踪目标，滤波器需要在线更新；第t帧相关滤波器h更新公式为：其中 和Bt分别是滤波器 的分子和分母，η是学习系数；

在上一帧估计目标位置处提取候选样本Zt进行观测，在频率内计算相关滤波器输出yt，计算公式如下：其中F-1表示离散傅里叶反变换；通过yt的峰值位置得到当前帧目标估计位置；

首先提取HOG和CN特征位置候选样本，通过式(4)分别得到HOG特征响应图yt,HOG和CN特征响应图yt,CN。

3.根据权利要求1所述的多特征分层融合的相关滤波鲁棒跟踪方法，其特征在于步骤(2)提出的多特征分层融合策略具体如下：首先采用自适应加权融合策略进行HOG特征和CN特征的特征响应图融合，通过计算特征响应图的SCRM和PSR两个指标得到融合权重；将该层融合结果与基于颜色直方图特征获得的特征响应图进行第二层融合时，采用固定系数融合策略进行特征响应图的融合；

3.1自适应加权特征融合

为计算各特征在跟踪过程中的判别能力，采用SCRM和PSR两个指标来计算模板特征融合权重；

SCRM的定义为：

其中yt和yt-1代表相邻两帧的相关滤波输出， 代表移位操作，Δ代表相邻帧相关滤波输出峰值位置之间的相对位移；通常情况下，相邻帧中目标和背景的相对位置不会发生较大改变，相邻帧相关滤波输出的空间分布应该是相似的，因此SCRM的值很小；

PSR的计算方法如下：

其中max(yt)是相关滤波输出yt的峰值，uΦ(yt)和σΦ(yt)分别是以yt峰值为中心的10％响应区域的均值和标准差，Φ＝0.10；

SCRM越小，PSR值越大，表明对应特征的跟踪结果可信度越高，在模板特征融合时应该赋予更大的权重；基于以上考虑，自适应特征融合权重计算公式为：其中wCN是CN特征的融合权重；在每一帧中都对wCN进行在线更新，更新公式如下：wCN＝(1-τ)×wCN+τ×wCN              式(8)其中τ是学习系数；

通过自适应加权融合策略融合HOG和CN特征响应图；自适应加权融合公式如下：ytmpl＝wCN×yCN+(1-wCN)×yHOG          式(9)其中ytmpl为HOG和CN特征的自适应加权融合输出，yHOG和yCN分别为HOG和CN特征的相关滤波输出；

3.2固定系数特征融合

将第一层融合结果和颜色直方图特征响应图进行固定系数融合，融合公式如下所示：ytrans＝α×yhist+(1-α)×ytmpl              式(10)其中α为固定融合系数，ytrans为第二层融合的融合响应图。