1.一种基于多模式深度特征融合的RGB‑D目标跟踪方法，其特征在于，包括以下步骤：(1)将Depth图像编码为三个通道：物体的深度、高度和角度，获取目标的几何信息，然后在VGG‑16网络的基础上，利用基于Depth模式的CNN网络提取其特征进行融合，所述基于Depth模式的CNN网络包含5个池化层，分别为Conv1_2、Conv2_2、Conv3_3、Conv4_3、Conv5_

3，将其中Conv3_3和Conv5_3输出的特征输入深度特征融合模块；

(2)在VGG‑16网络的基础上，利用基于RGB模式的CNN网络提取RGB图像的卷积特征进行融合，所述基于RGB模式的CNN网络包含5个池化层，分别为Conv1_2、Conv2_2、Conv3_3、Conv4_3、Conv5_3，将其中Conv3_3和Conv5_3输出的特征输入深度特征融合模块；

(3)将步骤(1)中基于Depth模式的CNN网络中Conv2_2输出的特征和步骤(2)中基于RGB模式的CNN网络中Conv2_2输出的特征，输入到RGB和Depth相关计算的CNN中，融合后提取的输出特征进入深度特征融合模块；

(4)通过RGB图像序列计算其光流图，将光流图输入到基于运动模式的CNN网络中，融合后提取的输出特征进入深度特征融合模块；

(5)将深度特征融合模块的输出，送入C‑COT跟踪器中，完成目标跟踪。

2.根据权利要求1所述的基于多模式深度特征融合的RGB‑D目标跟踪方法，其特征在于，步骤(3)中所述的RGB和Depth相关计算的CNN包含3个池化层，分别为Conv3_3、Conv4_3、Conv5_3，其输入特征为步骤(1)和(2)中所述CNN网络的输出特征Conv2_2，输出特征Conv5_

3输出到深度特征融合模块。

3.根据权利要求2所述的基于多模式深度特征融合的RGB‑D目标跟踪方法，其特征在于，步骤(4)中所述的基于运动模式的CNN网络包含5个池化层，分别为Conv1_2、Conv2_2、Conv3_3、Conv4_3、Conv5_3，输出到深度特征融合模块的特征为Conv5_3。

4.根据权利要求3所述的基于多模式深度特征融合的RGB‑D目标跟踪方法，其特征在于，所述的深度特征融合模块按照下述公式实现融合：其中， 为基于RGB模式的CNN网络Conv3_3输出的深度特征， 为conv5_3输出的深度特征， 为基于Depth模式的CNN网络Conv3_3输出的深度特征， 为conv5_3输出的深度特征， 为RGB和Depth相关计算的CNN的conv5_3输出的深度特征， 为基于运动模式的CNN网络的conv5_3输出的深度特征。

5.根据权利要求1至4任一项所述的基于多模式深度特征融合的RGB‑D目标跟踪方法，其特征在于，步骤(1)中Depth图像编码技术为HHA编码技术。