1.一种针对复杂背景的尺度自适应目标跟踪方法，其特征在于：所述的跟踪方法包括以下步骤：

1)给定初始帧待跟踪的目标前景区域Rt，在目标周围选择一定大小区域作为目标的背景区域；

2)在目标背景区域采用随机扰动的方法选择一定量的目标背景候选区域Rb，目标背景候选区域的尺度与被跟踪目标尺度保持一致；选定的背景候选的框的中心应该位于Rb中，且目标前景区域的后目标背景候选框的重叠率overlap要小于等于预设阈值，overlap定义为

3)计算目标背景候选区域的距离矩阵S，该矩阵的任一元素S(i,k)表示第i个背景候选区域和第k个背景候选区域的距离，该距离定义为负欧式距离如式(1)所示：然后通过AP聚类算法选择n背景候选区域的中心作为目标的背景区域；

4)将步骤3)选的目标背景候选区域和目标前景特征提取，过程如下：

4.1)将目标前景区域和被选择的目标背景区域通过高速模糊的方法降低噪声影响；

4.2)将目标前景区域和被选择的目标背景通过差值的方法调整为(224*224)的分辨率；

4.3)将差值后的目标的前景和背景区域输入VGG-16模型，，将VGG第一个Relu层输出的卷积特征作为目标背景特征表达，然后生成对应样本的循环矩阵(B1,B2,...,Bn)；

5)构建训练样本，过程如下：

5.1)以初始帧标定的目标前景Rt为基样本，构建Rt的循环矩阵A0和对应的样本标签矩阵y0，y0服从Gaussian分布，y0的峰值为1,该峰值位于y0的中心位置；

5.2)以目标前景Rt的中心为中心，目标的初始化尺度为基准，根据预设的比例从原始图像中选取新的目标前景，表示为 其对应的循环矩阵表示为(A1,A2,A3,A4)，并以此作为退化的正样本，并生成退化正样本的服从Gaussian分布的标签矩阵(y1,y2,y3,y4)，且(y1,y2,y3,y4)的中心峰值均为设定值；

5.3)以选择的背景区域作为负样本，并生成这些目标背景区域的循环矩阵，记为(B1,B2,...,Bn)；

6)构建相关滤波器，利用5.1)和5.2)步骤中生成的样本和标签矩阵构建相关滤波器，如式(2)：其中，T表示表示目标前景Rt的循环矩阵，T＝[A0,A1,A2,A3,A4]T，Bi表示第i被选择的目标背景区域的循环矩阵，w表示待求解的相关滤波器参数，y表示服从Gaussian分部的样本标签矩阵，y＝[y0,y1,y2,y3,y4]T，n表示被选择的目标背景区域数量，λ1和λ2分辨表示对应的项的正则化系数；

7)目标跟踪，利用6)中求解的w实现目标跟踪，过程如下：

收到新一帧图像时，首先选取的该图像的一个矩形兴趣区域Iroi，Iroi的中心与上一帧跟踪到的目标中心位置相同，Iroi的长和宽均为上一帧目标的长和宽的2倍，利用式(3)计算目标响应图：其中，Iroi是Iroi的循环矩阵形式， 表示逆傅里叶变换运算，R表示得到的图像响应图，然后把R相应最大的位置p作为目标中心位置，为了进一步确定目标的尺度大小，以p为中心，前一帧目标的尺度大小为基准，根据1:1.2，1:0.8，0.8:1，1.2:1的比例生成新的目标候选区域T＝{T1，T2，T3，T4}，然后计算每个候选区域的响应图的最大值{r1，r2，r3，r4}，把i i值最大的r ,i∈{1,2,3,4}，对应的目标候选区域T作为跟踪结果。