1.一种预测自适应学习的目标跟踪方法，其特征在于，该方法具体包括以下步骤：S1：输入第t帧图像，按照式(1)利用运动向量预测目标位置Lp；

其中，(x2,y2)表示当前帧位置，(x3,y3)表示预测位置，(Δx,Δy)表示运动向量；

S2：对目标搜索区域Tsearch用式(2)进行相位一致性变换，得到相位一致性图像imgpc；

其中，参数o表示方向的索引，下面只从一个方向上来说明相关参数的含义：PC2(x,y)为二维信号的相位一致性，Am(x,y)为第m级傅里叶级数成分的振幅，W(x,y)是控制频率展宽函数， 为相位偏移量， ε为恒定系数，T为预估噪声系数；

S3：采集正、负样本，利用随机稀疏矩阵的提取特征，正、负样本的搜索区域分别为TPOS＝{x|l(z)‑Lp＜a}、Tneg＝{x|b＜l(z)‑Lp＜c}，并根据式(3)计算正负样本的压缩特征；

V＝RX                        (3)其中，l(z)表示第i帧图像中样本z的中心位置，Lp表示第i帧图像中目标的中心位置，a为正样本搜索半径，b为负样本搜索内半径，c为负样本搜索外半径，且a

S4：将特征值代入式(4)，设样本为目标即正样本时y＝1，样本为背景即负样本时y＝0，假设先验概率p(y＝1)＝p(y＝0)选取朴素贝叶斯分类器响应最大的候选位置作为当前帧的目标；

T

其中，v为样本z的低维特征，v＝(v1,v2,...,vn) ，H(v)表示朴素贝叶斯分类器模型；

S5：分类器自适应更新：计算第t帧和初始帧目标窗口的巴氏系数B；

S6：判断B与q和p的关系，其中q，p为自适应阈值，且q>p，利用学习参数λ更新分类器参数；所述判断B与q和p的关系具体为：(1)若B＜p，则提取初始帧的正样本、t帧的负样本，利用学习参数λ更新分类器参数；

(2)若p≤B≤q，则仅采集t帧的负样本，利用学习参数λ更新分类器参数；

(3)若B＞q，则采集t帧正、负样本，利用学习参数λ更新分类器参数；

S7：最终输出第t帧的目标位置及更新后的模型参数。

2.根据权利要求1所述的一种预测自适应学习的目标跟踪方法，其特征在于，步骤S1中，假设当前帧位置为(x2,y2)，上一帧位置为(x1,y1)；当物体快速移动时，利用运动向量信息以及当前帧的位置信息来预测下一帧的目标位置，即位置预测方法：利用运动向量(Δx,Δy)来确定下一帧目标位置时，通过计算(x2+Δx,y2+Δy)来作为目标的初始位置，在目标快速运动的情况下，以预测位置为中心进行跟踪。

3.根据权利要求1所述的一种预测自适应学习的目标跟踪方法，其特征在于，步骤S2中，使用压缩跟踪对图像进行多尺度降维，将多维特征向量映射到低维特征中，并利用局部能量模型进行相位一致计算从而提取图像特征，即：其中，H(x)是F(x)的Hilbert变换， I(x)是信号， 和 分别是m尺度下奇偶小波，则局部能量函数定义为：

其中，PC(x)为一维信号在x处信号的相位一致性函数，Am为第m级傅里叶级数成分的振幅。

4.根据权利要求1所述的一种预测自适应学习的目标跟踪方法，其特征在于，步骤S5中，所述分类器自适应更新具体包括：采用Bhattacharyya系数来度量初始帧目标窗口和当前帧目标窗口的相似性；对于连续概率分布，其表达式为：其中，p(x)和q(x)分别为初始帧目标窗口和当前帧目标窗口图像的密度函数；B表示巴氏系数，通过比较两帧搜索窗口B∈[0,1]图像的相似度；B值越大，两窗口目标图像相似度越大。