1.一种基于相关滤波的目标长时跟踪方法，其特征在于，包括以下步骤：输入数据集，包含所要跟踪目标的视频序列帧；

根据初始帧的目标，提取目标图像的特征；

为目标图像训练相关滤波器，包括平移相关滤波器fT，长时相关滤波器fL，尺度相关滤波器fS；

利用上一步训练获得的平移相关滤波器估计下一帧的目标位置；

利用长时相关滤波器对此次跟踪结果进行可靠性判断；

动态调整学习率η；

利用尺度相关滤波器对定位好的目标位置进行尺度估计；

模型更新与自适应阈值更新；

输出目标位置。

2.根据权利要求1所述一种基于相关滤波的目标长时跟踪方法，其特征在于：所述训练相关滤波器，在大小为M×N的图像块x上训练的相关滤波器等价于岭回归模型，训练相关滤波器的线性岭回归的目标函数为： 其中f为分类函数，λ为正则化参数，防止训练产生过拟合，xi表示第i个训练样本，yi表示第i个期望输出，M表示图像块的高，N表示图像块的宽，w表示表示权重矩阵。

3.根据权利要求2所述一种基于相关滤波的目标长时跟踪方法，其特征在于：所述目标函数的解是一个线性估计，即f(x)＝wTx，则岭回归模型对于循环矩阵X具有近似解w，w＝(XTX+λI)-1XTy，I表示单位矩阵、y表示回归分数，令 为x的傅里叶变换，则所以得到傅里叶域上W的解为： 其中W为w在傅里叶域的对应表示， 为y的复共轭矩阵，χ表示为X在傅里叶域上的对应表示； 表示χ的复共轭矩阵。

4.根据权利要求3所述一种基于相关滤波的目标长时跟踪方法，其特征在于：进一步用核函数在核空间训练相关滤波器，核函数表示为：k(x,x')＝<φ(x),φ(x')>，则f(x)＝wTφ(x)＝∑iαik(xi,x')，其中f(x)为分类器函数，φ(x)和φ(x')分别为x和x'的傅里叶变换函数，αi为wi的对偶向量，αi的求解公式为： 为核相关矩阵k的傅立叶转换形式，表示为： x＝[x1,x2,...,xc]为目标对象的多特征通道，c表示特征通道的总数，x'为训练阶段x的另一种表示形式，σ为尺度参数， 为傅里叶逆变换，χc为在特征通道上的特征， 为训练阶段特征通道上的特征的复共轭矩阵表示。

5.根据权利要求1-4任一项所述一种基于相关滤波的目标长时跟踪方法，其特征在于：所述估计目标位置具体包括：在每一帧的跟踪过程中，以上一帧图像中的目标位置为中心，裁剪和图像块x大小相同的图像块z，利用之前在傅里叶域上学习的fT计算z的响应图，计算公式为 通过搜索响应图中的最大值，估计目标的位置。

6.根据权利要求5所述一种基于相关滤波的目标长时跟踪方法，其特征在于：所述跟踪结果可靠性判断具体包括：利用所述响应图的计算公式，计算相关滤波器的相关响应图比较 中的最大值 与检测阈值Tr的大小，若 则此次跟踪结果可靠；反之，此次跟踪结果不可靠，则此时激活在线检测器重新检测，再次利用平移相关滤波器对目标进行重定位。

7.根据权利要求6所述一种基于相关滤波的目标长时跟踪方法，其特征在于：所述动态调整学习率η，按照以下公式进行， 其中η0表示初始学习率，t表示视频帧视频帧序号，max(·)表示目标响应图的输出最大值， 表示在第t帧时候的相关响应值。

8.根据权利要求6所述一种基于相关滤波的目标长时跟踪方法，其特征在于：所述对目标位置进行尺度估计具体包括：以目标位置为中心，设置不同的尺度池S以及目标的宽PM和高PN，对于每一个尺度，以目标位置为中心截取大小为s'PM×s'PN的图像块，然后将这些截取的图像块重新调整统一的大小为PM×PN，通过提取每一个样本块的HOG特征构建一个包含目标多尺度表示的特征金字塔，对于每一个目标尺度目标特征xs'，都有一个回归目标分数g， s'表示每一个尺度，σ1尺度控制参数，最优的尺度的求解公式为：*

s表示最优尺度，xs表示在此尺度下的目标特征。

9.根据权利要求6-8任一项所述一种基于相关滤波的目标长时跟踪方法，其特征在于：所述模型更新与自适应阈值更新具体包括：

更新目标的运动特征模型 和相关滤波器系数 更新公式为：

其中η为学习率，t为视频帧序号；

为了保持在线检测器的分类能力，更新在线检测器，更新公式为：l(h:(v,c))，τ表示超参数，h表示分类超平面。

为了保持fL的判断准确性，使用运动特征模型更新公式更新目标外观特征模型和fL；

自适应阈值更新的公式为T＝1-δ+δ·Vmax，Tr＝0.6·T，Vmax表示当前帧的最大响应值。