1.一种基于图像处理的移动目标检测与轨迹预测方法，其特征在于：该方法包括如下步骤：

S1：获取由固定摄像机拍摄的包含移动目标的视频图像数据集，进行移动目标检测与轨迹预测；

S2：在目标检测提取阶段，对输入的视频图像数据集进行预处理，利用目标检测方法获取图像目标特征及其量化值，以对移动目标进行准确检测和定位；

S3：在Kalman优化阶段，利用粒子群优化算法对Kalman滤波算法中的噪声点进行改进，并将优化后的噪声点作为新的噪声点，将视频图像数据集中移动目标的位置数据作为Kalman滤波算法的输入参数，运行优化后的Kalman滤波算法，得到算法输出的预测位置坐标；

S4：在Elman优化阶段，利用粒子群优化算法对Elman神经网络中的权值、阈值进行改进，并将优化后的权值、阈值作为网络新的权值、阈值，将步骤S2得到的量化值融合步骤S3得到的Kalman预测位置坐标作为Elman神经网络的输入参数，对应的真实位置坐标作为网络的输出值，训练神经网络，得到优化后的Elman神经网络；

S5：将移动目标最新的图像数据经过步骤S2所述量化处理，得到目标特征及其量化值；

将图像数据中移动目标的位置数据作为步骤S3所述优化后的Kalman滤波算法的输入参数，运行该算法，得到算法输出的预测位置坐标；将所述量化值融合Kalman预测位置坐标作为优化后的Elman神经网络输入参数，运行该神经网络，得到网络输出的预测位置坐标；

S6：根据步骤S5预测的位置坐标在一段时间内的集合构成了预测的轨迹，即实现了移动目标的轨迹预测。

2.根据权利要求1所述的一种基于图像处理的移动目标检测与轨迹预测方法，其特征在于：步骤S2所述目标检测提取阶段，对输入的视频图像数据集进行预处理，利用目标检测方法获取图像目标特征及其量化值，以对移动目标进行准确检测和定位，方法如下：S2.1：通过对移动目标进行检测和特征提取，从而定位到移动目标；所述目标检测分为主体检测部分和细节检测部分；

所述主体检测部分是指建立高斯混合模型，通过输入目标图像与背景图像，进行运算和分割，从而初步检测到移动目标，获得前景图像；并通过中值滤波和高斯滤波结合的滤波降噪操作消除前景图像中的脉冲噪声和高斯噪声；

所述细节检测部分是根据主体检测得到的前景图像进行图像处理，包括边缘检测、滤波降噪、形态学处理和目标区域标记；

S2.2：根据步骤S2.1提取出的移动目标特征进行量化处理，即目标特征量化，所述量化的目标特征包括目标的几何特征和运动特征。

3.根据权利要求2所述的一种基于图像处理的移动目标检测与轨迹预测方法，其特征在于：步骤S2.1中，在确定输入高斯混合模型的背景图像时，取连续n帧的背景图像进行平均化处理，并将平均化处理后的背景图像 作为输入高斯混合模型的背景图像，平均化处理公式如下：式中，Bn表示第n帧的背景图像。

4.根据权利要求2所述的一种基于图像处理的移动目标检测与轨迹预测方法，其特征在于：步骤S2.1中，所述细节检测方法如下：首先利用Canny算子检测背景边缘和当前帧f的图像边缘，产生的二值边缘图像分别记为Af和Bf；然后添加空白图像Cf，大小与Af和Bf均相同，若Af中的像素坐标(j,d)对应于Bf中有：Af(j,d)＝Bf(j,d)，那么Cf(j,d)＝0；否则Cf(j,d)＝1，以此计算所有像素点，直到最后产生完整的、更新的二值图像Cf；其次将前景图像Ff与更新后的二值图像Cf中的每一个像素进行加法运算，得到新图像Df；再将前景图像Ff与图像Df中的每一个像素进行加法运算，得到新前景图像Gf；最后对新前景图像Gf进行滤波降噪和形态学处理，得到最终前景图像Hf；

对最终前景图像Hf进行目标区域标记，获取包围该目标区域的最小矩形，定位到该移动目标，获取到当前帧图像中的目标特征信息。

5.根据权利要求4所述的一种基于图像处理的移动目标检测与轨迹预测方法，其特征在于：步骤S2.2所述量化处理如下：所述几何特征用于描述目标的图像特性，包含区域图像不同表示方法的集合，表示为：

G＝{S1,S2,S3|Rs∈S1}  (2)

其中，S1表示围成区域的最小矩形面积；S2表示区域图像中实际的像素个数；S3表示凸区域图像中的像素个数；Rs表示最小矩形的大小信息，包括最小矩形的长Ls和宽Ws；

所述运动特征用于描述目标的位置及运动状况，包含位置坐标与运动变量的集合，表示为：

其中，C表示质心坐标；Rp表示最小矩形的位置信息； 和 分别表示移动目标在水平和竖直方向上的平均速度； 和 分别表示移动目标在水平和竖直方向上的平均加速度；

Xx和Xy分别表示水平和竖直位移；X表示总位移。

6.根据权利要求1-5任一所述的一种基于图像处理的移动目标检测与轨迹预测方法，其特征在于：步骤S3所述Kalman优化阶段，得到Kalman滤波算法输出的预测位置坐标，方法如下：S3.1：对Kalman滤波算法中的初始噪声点进行编码；设Kalman滤波算法的输入参数，即数据集中移动目标的位置数据有m个，则产生m个初始噪声点，并得到大小为1行m列的矩阵，作为粒子群优化算法的初始粒子值；

S3.2：运行Kalman滤波算法，得到第m-1个目标数据的预测位置坐标 并与目标数据的真实位置坐标 进行误差计算，计算结果作为Kalman优化阶段粒子群优化算法的粒子适应度fit1，表示为：S3.3：运行粒子群优化算法，根据步骤S3.2得到的粒子适应度，计算得到粒子的个体最佳位置以及全局最佳位置，并判断是否达到在粒子群优化算法中设置的最大迭代次数，如果达到，则输出最优解，进入步骤S3.4；否则，更新粒子的位置及其速度，并将更新后的粒子作为Kalman滤波算法的新的噪声点，重复步骤S3.2至S3.3；

S3.4：将Kalman优化阶段粒子群优化算法的最优解对应的粒子进行解码，并作为Kalman滤波算法新的噪声点；将视频图像数据集中移动目标的位置数据作为Kalman滤波算法的输入参数，运行优化后的Kalman滤波算法，得到算法输出的预测位置坐标。

7.根据权利要求6所述的一种基于图像处理的移动目标检测与轨迹预测方法，其特征在于：步骤S3.3中，更新粒子的速度与位置的公式如下：S1＝c1*r1*(best1-X(i-1))  (5)

S2＝c2*r2*(best2-X(i-1))  (6)

V(i)＝W*V(i-1)+S1+S2  (7)

X(i)＝X(i-1)+V(i)  (8)

其中，S1和S2分别表示自身增益和全局增益，c1和c2分别表示个体学习因子和全局学习因子，r1和r2表示在0～1之间的随机数，best1和best2分别表示当前粒子的个体最佳位置和全局最佳位置，V(i)和X(i)分别表示更新后粒子的速度和位置，V(i-1)和X(i-1)分别表示更新前粒子的速度和位置，W表示权重。

8.根据权利要求1-5任一所述的一种基于图像处理的移动目标检测与轨迹预测方法，其特征在于：步骤S4所述得到优化后的Elman神经网络方法如下：S4.1：对Elman神经网络中的输入层、隐含层、联系单元层以及输出层之间关连的初始权值及阈值进行编码；设Elman神经网络的输入层有a个节点，隐含层有b个节点，输出层有c个节点，则网络权值共有(a*b+b*c)个，阈值共有(b+c)个，得到大小为1行(a*b+b*c+b+c)列的矩阵，作为粒子群优化算法的初始粒子值；

S4.2：设视频图像数据集有F张图像，选取视频图像数据集中时刻较前的P张图像作为训练样本，视频图像数据集的剩余F-P张图像作为测试样本；将训练样本经过步骤S2所述量化处理，得到目标特征及其量化值；同时将训练样本输入步骤S3所述优化后的Kalman滤波算法，得到Kalman算法输出的预测位置坐标；将获取的目标特征的量化值和Kalman预测位置坐标进行参数组合，将组合参数作为Elman神经网络的训练输入参数，对应的真实位置坐标作为训练输出值，对Elman神经网络进行训练；

S4.3：Elman神经网络训练完成后，将测试样本经过步骤S2所述量化处理，得到目标特征及其量化值；同时将测试样本输入步骤S3所述优化后的Kalman滤波算法，得到Kalman算法输出的预测位置坐标；将获取的目标特征的量化值和Kalman预测位置坐标进行参数组合，将组合参数作为训练后的Elman神经网络的输入参数，得到神经网络输出值，将测试样本中移动目标的真实位置坐标与神经网络输出值进行比较，判断网络训练是否达到预期，如果未达到预期，返回步骤S4.2继续训练；否则，输出测试样本中第F-P-1张图像的移动目标的神经网络预测位置坐标，进入步骤S4.4；

S4.4：将步骤S4.3输出的目标预测位置坐标 与目标的真实位置坐标 进行误差计算，计算结果作为Elman优化阶段粒子群优化算法的粒子适应度fit2，表示为：S4.5：运行粒子群优化算法，根据步骤S4.4得到的粒子适应度，计算得到粒子的个体最佳位置以及全局最佳位置，并判断是否达到在粒子群优化算法中设置的最大迭代次数，如果达到，则输出最优解，进入步骤S4.6；否则，更新粒子的位置及其速度，并将更新后的粒子作为Elman神经网络新的权值及阈值，重复步骤S4.2至S4.5；

S4.6：将Elman优化阶段粒子群优化算法的最优解对应的粒子进行解码，并作为最终的Elman神经网络的权值及阈值，得到优化后的Elman神经网络。