1.一种用于运动目标识别及跟踪的特征提取方法，其特征在于，包括以下步骤：步骤一：图像输入并对输入的图像进行预处理，首先将需要预处理的图像转换为灰度图像序列，然后利用直方图均衡化对转换后的灰度图像进行低照度图像增强，并对增强后的图像进行基于小波阈值的图像降噪；

步骤二：构建尺度空间，采用高斯核卷积函数来生成尺度空间金字塔，将一个灰度图像I(x,y)与不同尺度缩放因子的高斯二阶导数进行卷积运算，得到一系列的不同尺寸的高斯相应图像；

步骤三：特征点粗定位，采用Hessian矩阵来检测特征点并对其粗定位，灰阶图像I(x,y)的Hessian矩阵即灰阶图像I(x,y)在各个像素点的二阶空间导数矩阵，在灰度图像I(x,y)上某一点的Hessian矩阵如公式(1)所示：其中，Gxx，Gxy，Gyy是三个分别沿着x,y,xy方向高斯二阶导数滤波器；

所述步骤三中通过计算所有像素点的近似Hessian矩阵的行列式，并利用非极大值抑制的方法将每一个像素点与周围三维空间范围内的26个点进行相比较，从而得到确定的极值点，所得到的极值点即为粗定位的特征点；

步骤四：特征点精确定位，采用三维线性插值的方法对粗定位的特征点进行精确定位，并移除一些低于一定阈值的特征点，从而最终达到亚像素级别的精确定位的特征点；

步骤五：局部曲面上特征点处的主曲率，采用计算Hessian矩阵的特征值和特征向量来提取图像几何表面的主方向和主曲率；

步骤六：根据主曲率计算特征点出的梯度和方向，将主曲率中的最小和最大主曲率分别代替传统梯度方向直方图中的梯度分量来计算梯度幅值和方向；

步骤七：利用类似于HOG的方法对所得到的梯度幅值和方向信息进行统计和和标签，首先对所有精确定位的特征点进行计算主曲率而得到对应的梯度幅值和方向，然后将所得到的梯度方向在0‑180°范围内平均分成8个区域，并对每一个区域对进行标签，再对每一个区域内的幅值和方向按照胞元的方式进行统计，其中胞元的尺寸大小设置为(8,8)，再把每四个胞元连接生产一个块，最后将目标图像平均分成一个4×4的区域，并统计每一个区域内的块，最终形成一个8bin尺度空间的特征直方图；

所述步骤七中形成的8bin尺度空间的特征直方图用于在运动目标识别和跟踪中的直方图相似性度量，以此确定是否为需要监测的运动目标，其中所提取模板的特征直方图与待识别和跟踪的运动物体的特征直方图均采用基于卡方距离的最邻近分类器进行直方图度量和匹配，基于卡方距离的最邻近分类器定义公式如公式(9)所示：其中，D(S,M)表示直方图度量和匹配结果。

2.根据权利要求1所述的一种用于运动目标识别及跟踪的特征提取方法，其特征在于：所述步骤二中带有高斯标准偏差的高斯算子如公式(2)所示，所述灰度图像I(x,y)于高斯算子进行卷积得到不同尺寸的图像L(x,y,σ)的计算公式如公式(3)所示：L(x,y,σ)＝G(x,y,σ)*I(x,y)    (3)其中，G(x,y,σ)为带有高斯标准偏差的高斯算子。

3.根据权利要求2所述的一种用于运动目标识别及跟踪的特征提取方法，其特征在于：所述步骤二中不同尺寸的图像构成关于原图像的不同尺度空间，所述步骤二中构建的尺度空间大小为4×4。

4.根据权利要求1所述的一种用于运动目标识别及跟踪的特征提取方法，其特征在于：所述步骤五中主曲率是曲面上给定点处的法向曲率的最大值和最小值。

5.根据权利要求1所述的一种用于运动目标识别及跟踪的特征提取方法，其特征在于：所述步骤五中图像中特征点的主方向通过计算图像中特征点的特征值来获得，在某一给定点处的Hessian矩阵的特征值是通过解特征方程(4)得到：|H‑λI|＝0    (4)

得到的特征值λ如公式(5)和(6)所示：

其中，λ1和λ2为主曲率，其中λ1是在给定点处的最小曲率，λ2对应给定点处的最大曲率。

6.根据权利要求1所述的一种用于运动目标识别及跟踪的特征提取方法，其特征在于：所述步骤六中梯度幅值和方向计算公式如公式(7)和公式(8)所示：其中，Igradient为梯度幅值，θ为梯度方向。