1.一种基于加权低秩矩阵恢复模型的图像显著性目标检测方法，其特征在于，包括以下步骤：S1、对于给定的输入图像，运用超像素分割方法将它分割成N个不重叠的超像素区域p1、p2、...、pN；N为大于1的正整数；

S2、对于每一个超像素区域pi，提取出一个D维特征向量，表示为fi∈RD，然后通过集成所有的特征向量来获得图像特征矩阵F＝[f1,f2,…fN]∈RD；其中，D为正整数；

S3、运用位置、颜色和边界连通性属性，将每个超像素区域pi的位置、颜色和边界连通性属性融合在一起生成一个高级背景先验图，然后将所有的高级背景先验图一起转换成为一个加权矩阵W；

S4、将图像特征矩阵F分解成一个代表冗余的背景信息的低阶矩阵L和一个代表显著部分的稀疏矩阵S，分解时的目标函数为 约束条件为：WοF＝WοL+S；其中，||·||*表示矩阵的核范数，它是秩函数的凸松弛，被定义为矩阵奇异值的和，||·||1表示矩阵的l1范数，ο表示两个矩阵的元素相乘，λ是平衡L和S的权衡参数，且大于零；

S5、将每个超像素区域的显著性值还原映射到超像素区域在所述输入图像中的位置并进行平滑处理，得到最终的显著图；其中，超像素Pi的显著值为稀疏矩阵S的第i列的l1范数。

2.根据权利要求1所述的图像显著性目标检测方法，其特征在于，步骤S3中，对于任意超像素区域pi，生成高级背景先验图的具体步骤为：S31、位置处理步骤：对于每一个超像素区域pi，计算它的平均位置与所述输入图像中心位置c的距离，表示为d(pi，c)，然后得到超像素区域pi的位置先验值LP(i)＝1-exp(-d(pi,c)/σ2)，σ是控制高斯钟宽度的标准偏差；

S32、颜色处理步骤：采用基于低秩矩阵恢复的显著目标检测方法获得超像素区域pi的颜色Ci，然后得到相应的背景颜色CP(i)＝1-Ci；

S33、边界连通性处理步骤：使用超像素区域pi和图像边界超像素之间的交集的长度来量化与图像边框的连接程度 其中，|·|表示交集的长度，B表示边界超像素的集合； 表示超像素区域pi包含的像素个数；

S34、计算各个超像素区域pi的最终高级背景先验图：w(i)＝LP(i)·CP(i)·BP(i)，然后将计算出的w(i)组合成加权矩阵W：

3.根据权利要求2所述的图像显著性目标检测方法，其特征在于，步骤S4中分解特征矩阵F的具体步骤为：S41、引入拉格朗日乘数Y，将模型的解算器转移到最小化下面的增广拉格朗日函数κ：再使用ADMM模型迭代执行步骤S42-S44，直至搜索到最优S、L和Y，其中μ为一个正常数，||·||F表示F范；

S42、更新L：当S和Y是固定的，在(k+1)次迭代中L(k+1)的解决方案通过求解下述公式的最优解得到：S43、更新S：用固定的L和Y更新S(k+1)，通过下述公式求解S(k+1)：k+1

S44、更新Y:采用下述公式更新得到Y ：

Yk+1＝Yk+μk(Wο(F-Lk+1)-Sk+1)。

4.一种基于加权低秩矩阵恢复模型的图像显著性目标检测系统，其特征在于，包括以下模块：超像素处理模块，用于对于给定的输入图像，运用超像素分割方法将它分割成N个不重叠的超像素区域p1、p2、…、pN；N为大于1的正整数；

特征矩阵处理模块，用于对于每一个超像素区域pi，提取出一个D维特征向量，表示为fi∈RD，然后通过集成所有的特征向量来获得图像特征矩阵F＝[f1,f2,…fN]∈RD；其中，D为正整数；

加权矩阵处理模块，用于运用位置、颜色和边界连通性属性，将每个超像素区域pi的位置、颜色和边界连通性属性融合在一起生成一个高级背景先验图，然后将所有的高级背景先验图一起转换成为一个加权矩阵W；

特征矩阵处理模块，用于将图像特征矩阵F分解成一个L代表冗余的背景信息的低阶矩阵，以及一个代表了显著部分的稀疏矩阵S，分解时的目标函数为 约束条件为：WοF＝WοL+S；其中，||·||*表示矩阵的核范数，它是秩函数的凸松弛，被定义为矩阵奇异值的和，||·||1表示矩阵的l1范数，ο表示两个矩阵的元素相乘，λ是平衡L和S的权衡参数，且大于零；

最终结果处理模块，用于将每个超像素区域的显著性值还原映射到超像素区域在所述输入图像中的位置并进行平滑处理，得到最终的显著图；其中，超像素区域pi的显著值为稀疏矩阵S的第i列的l1范数。

5.根据权利要求1所述的图像显著性目标检测系统，其特征在于，加权矩阵处理模块中，对于任意超像素区域pi，采用以下子模块生成高级背景先验图：位置处理步骤子模块，用于对于每一个超像素区域pi，计算它的平均位置与所述输入图像中心位置c的距离，表示为d(pi，c)，然后得到超像素区域pi的位置先验值LP(i)＝1-exp(-d(pi,c)/σ2)，σ是控制高斯钟宽度的标准偏差；

颜色处理步骤子模块，用于采用基于低秩矩阵恢复的显著目标检测方法获得了超像素区域pi的颜色Ci，然后得到相应的背景颜色CP(i)＝1-Ci；

边界连通性处理子模块，用于使用超像素区域pi和图像边界超像素之间的交集的长度来量化与图像边框的连接程度 其中，|·|表示交集的长度，B表示边界超像素的集合； 表示超像素区域pi包含的像素个数；

加权矩阵合成子模块，用于计算各个超像素区域pi的最终高级背景先验图：w(i)＝LP(i)·CP(i)·BP(i)，然后将计算出的w(i)组合成加权矩阵W：

6.根据权利要求2所述的图像显著性目标检测系统，其特征在于，特征矩阵处理模块采用如下子模块来分解特征矩阵F：拉格朗日处理子模块，用于引入拉格朗日乘数Y，将模型的解算器转移到最小化下面的增广拉格朗日函数κ：再使用ADMM模型迭代调用步骤更新L子模块、更新S子模块、更新Y子模块，直至搜索到最优S、L和Y，其中μ为一个正常数，||·||F表示F范；

更新L子模块，用于当S和Y是固定的，在(k+1)次迭代中L(k+1)的解决方案通过求解下述公式的最优解得到：更新S子模块，用于用固定的L和Y更新S(k+1)，通过下述公式求解S(k+1)：更新Y子模块，用于采用下述公式更新得到Yk+1：

Yk+1＝Yk+μk(Wο(F-Lk+1)-Sk+1)。