1.一种基于智能视觉中运动目标跟踪方法，其特征在于，包括以下步骤：S1、对于视频中原图像像素灰度为f(x,y)，对f(x,y)图像分割，并计算出最佳阈值Td；

S2、设t时刻视频中的第k帧图像为fk(x,y)，第k-1帧图像为fk-1(x,y)，两帧图像的帧差为：Dk(x,y)＝|fk(x,y)-fk-1(x,y)|，S3、对于视频中的帧图像进行阈值分割，从视频帧间提取运动目标fobj(x,y)为：S4、对于步骤S3中所提取的运动目标进行定位；

S5、对于已经定位的目标在视频中进行目标跟踪。

2.根据权利要求1所述的一种基于智能视觉中运动目标跟踪方法，其特征在于，所述步骤S1中最佳阈值Td的计算方法：S21、初始阈值分割，初始阈值分割采用整幅图像的平均灰度值进行分割，这种选取基于简单的图像统计，避免了分析复杂的图像灰度直方图的过程，设一幅大小为M×N的灰度图像的灰度值为(0，1…，L-1)级，则初始阈值为：S22、计算目标均值，初始阈值T0将图像分割成两部分，设小于T0的部分为目标区域C0，大于T0的部分为目标区域C1，即：C0、C1的平均灰度值为：

其中，S0为C0的平均灰度值，S1为C1的平均灰度值，其中i为阈值0～T0；

S23，计算最佳阈值Td，

3.根据权利要求1所述的一种基于智能视觉中运动目标跟踪方法，其特征在于，所述步骤4中目标定位的方法为：S31、建立尺度空间，通过搜寻所有可能的尺度中的稳定点将图像用多尺度空间表示，构建高斯金字塔，在对相邻尺度的图像进行差分，得到高斯差分尺度空间，检测到稳定的特征点；

S32、特征点精确定位，精确确定特征点的位置和尺度，同时去掉不稳定的边缘响应点和低对比度的点；

S33、根据特征点的位置和尺度特征向量，建立目标跟踪特征模型。

4.根据权利要求3所述的一种基于智能视觉中运动目标跟踪方法，其特征在于，所述步骤S31中建立尺度空间的方法为：高斯卷积核实现尺度变换线性核，图像f(x,y)的尺度空间可表示为在不同尺度下的尺度空间与高斯核的卷积，定义如下：L(x,y,σ)＝G(x,y，σ)*f(x,y)其中G(x,y,σ)是尺度可变高斯函数，计算公式如下：其中(x,y)是空间坐标，σ为尺度空间因子，将图像f(x,y)与不同尺度空间因子σ下的高斯核G(x,y,σ)进行卷积操作，可构成高斯金字塔，为了有效的在尺度空间检测到稳定的特征点，对相邻尺度的图像k、k-1进行差分，得到高斯差分尺度空间定义如下：D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)＝L(x,y,kσ)-L(x,y,σ)D(x,y,σ)＝(G(x,y,kσ)-G(x,y,(k-1)σ))*I(x,y)＝L(x,y,(k-1)σ)-L(x,y,σ)。

5.根据权利要求4所述的一种基于智能视觉中运动目标跟踪方法，其特征在于，所述的步骤32中特征点精确定位的方法为：D(x,y,σ)的泰勒二次展开式为：

求导并让式D(X)一阶导数等于0，可以得到极值点：对应极值点，代入D(X)中可得：

获取了特征点的精确位置以及尺度后，为使描述算子对图像旋转具有不变性计算位置(x,y)处梯度幅度大小和方向公式如下：θ(x,y)＝tan-1{[L(x,y+1)-L(x,y-1)]/[L(x+1,y)-L(x-1,y)]}其中L为特征点所在尺度。

6.根据权利要求5所述的一种基于智能视觉中运动目标跟踪方法，其特征在于，所述的步骤S33中建立目标跟踪特征模型的方法为：假设ti(tix,tiy)是目标模型中第i个像素点的坐标位置，被跟踪物体的初始帧中心为d0，当前帧中心为d1，基于特征点位置和尺度特征向量描述建立的初始帧及当前帧目标跟踪特征模型如下：其中，n为像素总个数；k(||x||2)为核函数，h表示模板半径；函数b和δ用来判断第i个像素的颜色值是否属于特征值u；归一化系数C和Ch分别满足：

7.根据权利要求6所述的一种基于智能视觉中运动目标跟踪方法，其特征在于，所述步骤S33中目标跟踪的方法采用Mean Shift目标跟踪法。