1.一种自适应选择特征的相关滤波跟踪方法，其特征在于，具体包括如下步骤：(1)读取视频图像第t帧数据，第一帧图像序列为t＝1，对第t帧图像中设定跟踪目标α，并进一步确定目标α的中心位置，以及目标α的宽度wt和高度ht；

(2)以目标α的中心位置为中心，划定宽度为w、高度为h的图像区域作为第一目标区域，计算该区域的HOG特征，CN特征及深度特征；

(3)根据计算的HOG特征，CN特征及深度特征分别构建相关滤波器模型；

(4)读取新的图像序列为t+1帧,若t+1≤第一预设值，则进入S5，否则进入(7)；

(5)对于读取新的图像序列为t+1帧，根据t帧的α的中心位置为中心，划定宽度为w，高度为h的图像区域,计算该区域的HOG特征，CN特征及深度特征；

(6)利用核化相关滤波计算方法，结合步骤(5)目标区域，进一步分别求得t+1帧的HOG特征和CN特征响应置信图的最大值分别为res_HOG和res_CN，并保存，以及计算得到深度特征的响应置信图中最大值的位置，即为t+1帧的目标α新的位置中心，然后进行深度特征，HOG特征和CN特征模版更新；

(7)计算res_HOG和res_CN的平均值，若res_HOG>res_CN,则进入S8，反之则进入(11)；

(8)对于读取新的图像序列为t+1帧，根据t帧的α的中心位置为中心，划定宽度为w，高度为h的图像区域,计算该区域的HOG特征；

(9)利用核化相关滤波计算方法，结合步骤(8)目标区域，进一步求得HOG特征响应置信图，并求得响应置信图中最大值为res_HOG；

(10)若res_HOG＜threshold1，则返回S5，且重复步骤(4)‑(6)，至图像处理完毕，反之则计算响应置信图中最大值的位置，即为t+1帧的目标α新的位置中心，然后进行HOG特征模版更新，继续读入下一帧图片，重复步骤(8)‑(10)，至图像序列全部处理完毕；

(11)对于读取新的图像序列为t+1帧，根据t帧的α的中心位置为中心，划定宽度为w，高度为h的图像区域,计算该区域的CN特征；

(12)利用核化相关滤波计算方法，结合步骤(11)目标区域，进一步求得CN特征响应置信图，并求得响应置信图中最大值为res_CN；

(13)若res_CN＜threshold2，则返回(5),且重复步骤(4)‑(6)，至图像处理完毕，反之则计算响应置信图中最大值的位置，即为t+1帧的目标α新的位置中心，然后进行CN特征模版更新，继续读入下一帧图片，重复步骤(11)‑(13)，至图像序列全部处理完毕。

2.根据权利要求1所述的一种自适应选择特征的相关滤波跟踪方法，其特征在于：所述步骤(2)中，提取深度特征如下步骤：利用不同层的卷积特征图来更详细地描述待跟踪目标，使用已经在ImageNet训练好的网络，深度网络框架为VGG‑Net19分别提取不同层的卷积特征，依次是conv3‑4，conv4‑4，conv5‑4。

3.根据权利要求1所述的一种自适应选择特征的相关滤波跟踪方法，其特征在于：所述步骤(3)中，构建相关滤波器模型如下步骤：(31)、根据相关滤波计算方法，根据移位样本与目标区域中心位置的距离，为各移位样本分配连续的高斯标签值y，对提取HOG特征进行快速傅里叶变换得到外观模型xf，由‑1

其中F 为傅里叶逆变换， 为xf的傅里xx

叶变换，*为复共轭，σ为高斯分布的尺度参数， 为核函数κ 回归值；

(32)、故 得到HOG特征滤波器模型，其中λ是正则化参数， 为y的傅里叶变换，y为对应的xf的回归值，同理可求得(33)、针对深度特征中三层分别得到三个深度特征滤波器模型，利用上面公式可求得以及

4.根据权利要求1所述的一种自适应选择特征的相关滤波跟踪方法，其特征在于：所述步骤(4)中有如下步骤：

读取新的图像序列为t+1帧，判断当前帧t+1是否小于第一预设值，其中第一预设值是个动态值它等于currentFrame当前帧+offset偏移量，当小于等于第一预设值时，使用三种特征同时进行跟踪，其中深度特征用来预测跟踪目标位置，而其他两种特征用来记录各自得到响应置信图最大值，若大于第一预设值，则切换到一种特征，HOG或者CN，进行跟踪，提高跟踪速度。

5.根据权利要求1所述的一种自适应选择特征的相关滤波跟踪方法，其特征在于：所述步骤(5)中有如下步骤：

新的图像序列为t+1帧，根据相关滤波跟踪原理，目标在上下两帧变化很小，因此利用t上一帧的目标位置和大小，在t+1下一帧帧图像进行HOG，CN，以及深度特征提取。

6.根据权利要求1所述的一种自适应选择特征的相关滤波跟踪方法，其特征在于：所述步骤(6)中有如下步骤：

(61)、根据相关滤波跟踪计算方法，对于提取HOG特征建立外观模型，zf，将zf与xf进行高斯相关滤波，计算得到响应置信图 其中 为核xz ‑1

函数κ 回归值， F 为傅里叶逆变换，*为复共轭，σ为高斯分布的尺度参数；

根据HOG特征响应置信图可求得最大值为res_HOG，同理可求得CN特征响应置信图中最大值为res_CN，并保存；

(62)、根据计算HOG特征的方法，计算深度特征三层的响应置信图，分别为resconv3‑4，resconv4‑4以及resconv5‑4，分别赋予不同的权重大小，依次是0.25、0.5、1，加权融合得到深度特征响应置信图resDEEP，根据深度特征响应置信图最大值中的位置，即为预测目标位置；

(63)、进行HOG特征模板，CN特征模板和深度特征模板更新。

7.根据权利要求1所述的一种自适应选择特征的相关滤波跟踪方法，其特征在于：所述步骤(7)中有如下步骤：

计算之前保存的res_HOG，res_CN，求出它们的平均值，也就是它们的平均匹配率，也是自适应选择特征的判断条件，如果HOG特征的平均匹配率大于CN特征，说明HOG特征效果优于CN特征，则下一帧使用HOG特征进行跟踪。

8.根据权利要求6所述的一种自适应选择特征的相关滤波跟踪方法，其特征在于：所述步骤(8)，(9)中有如下步骤：

参照于步骤(61)的相关滤波计算方法，可求得HOG特征的响应置信图，求出响应置信图图中最大值res_HOG。

9.根据权利要求1所述的一种自适应选择特征的相关滤波跟踪方法，其特征在于：所述步骤(10)中有如下步骤：

(91)、若res_HOG＜threshold1，说明当前帧使用HOG特征效果并不理想，重新使用CN特征和深度特征进行跟踪，重新设置第一预设值，参照步骤(5)‑(6)；

(92)、若res_HOG≥threshold1，说明使用HOG特征效果较理想，根据响应置信图中最大值的位置，即为当前帧预测的目标位置，然后进行HOG模板更新，则下一帧使用HOG特征进行跟踪，抛弃CN特征和深度特征，提高速度。

10.根据权利要求6所述的一种自适应选择特征的相关滤波跟踪方法，其特征在于：所述步骤(11)，(12)中有如下步骤：参照于步骤(61)的相关滤波计算方法，可求得CN特征的响应置信图，求出响应置信图图中最大值res_CN，步骤(13)中有如下步骤：参照(91)‑(92)步骤，CN特征的选择与HOG一样，当小于threshold2阈值2，说明使用CN特征效果不理想，则重新调用其他两种特征，并修改第一预设值，反之，根据求得的响应置信图求得当前帧目标位置，并且下一帧使用CN特征进行跟踪，抛弃其他两种特征。