1.一种基于自适应相关滤波的长时视频跟踪方法，其特征在于，所述方法融合了HOG特征、CN特征和灰度特征，在增强特征判别力的同时，结合Edgebox生成检测建议，找到最优建议实现跟踪器尺度与纵横比的自适应，利用高置信度跟踪结果避免模板被破坏，将目标移动速度与边缘组数结合起来形成了一种新的自适应更新率，对每一帧目标框的尺度进行校正；

所述方法在跟踪失败的情况下，应用增量学习检测器以滑动窗口的方式恢复目标位置；

所述方法包括：

(1)获取目标第一帧，人工确定目标中心位置与边界框长宽(lx1,ly1,w1,g1)，其中lx1为目标中心位置横坐标，ly1为目标中心位置纵坐标，w1为边界框宽度，g1为边界框高度；

(2)根据第一帧的目标中心位置以1个像素为步长进行密集采样，当样本与目标边界框重叠比大于0.9时为样本分配正标签，而小于0.5时为样本分配负标签，生成样本集训练支持向量机；

(3)根据第一帧的目标中心位置与边界框长宽(lx1,ly1,w1,g1)得到图像块，提取HOG特征、CN特征和灰度特征，训练相关滤波器目标外观 与模型参数(4)获取新的一帧，记为第t帧，根据该帧前一帧的目标中心位置与边界框长宽(lxt‑1,lyt‑1,wt‑1,gt‑1)得到图像块，应用Edgeboxes获得一组提案框(z1,…,zr)以及提案框里对应的边缘组个数；

‑1

(5)按式 计算每个提案框的相关响应矩阵，其中Φ表示傅里叶反变换，·表示元素点积运算， 表示 与 的互相关高斯核，＾表示离散傅里叶变换；每个提案框响应矩阵中最大的元素值记为Fmax(zi),i＝1,…,r，Fmax(zi),i＝

1,…,r中最大值所对应的矩阵为具有最大相关响应提案框的响应矩阵，记为F，其最大响应值记为Fmax，最大相关响应提案框对应的边缘组个数记为bst；

(6)如果Fmax大于0.15则将具有最大相关响应的提案框作为目标位置，并计算相应的目标外观 与模型参数 继续执行步骤(7)；

否则按下式

求解最优平面的参数w和b，其中mi是生成的特征向量的第i个样本，而ci∈(+1,‑1)是二元标签，L表示合页损失函数，n表示样本个数；紧接着计算每个采样区域的得分scorei＝T

wmi+b，将最大的分数对应的采样区域作为目标位置，并计算相应的目标外观 与模型参数(7)计算第t帧的APCE值，记为APCEt，计算 若 则置信度较高，继续步骤(8)；否则跳转步骤(11)，其中γ∈(0,1)；

(8)确定模板自适应更新率θ；

所述确定模板自适应更新率θ，包括：(8.1)利用公式 确定θ1的值，其中v表示目标运动速度；

(8.2)利用公式 确定θ2的值，其中 bst表示第t帧时计算得到的边缘组数，bs2表示第2帧时计算得到的边缘组数，ε∈(0,0.00001)防止分母为0；

(8.3)计算θ值：θ＝β*θ1+(1‑β)*θ2，β∈(0,1)表示权重系数；

(9)按照如下公式更新相关滤波器目标外观 与模型参数(10)根据当前目标中心位置以1个像素为步长密集采样，当样本与目标边界框重叠比大于0.9时分配正标签，而小于0.5时分配负标签，重新生成样本集并按照式更新超平面，符号 表示梯度， 表示对w求梯度，(m,c)表示生成的训练集，τ表示控制更新率的超参数；

(11)如果当前帧为最后一帧，则目标跟踪结束，否则跳转步骤(4)。

2.根据权利要求1所述的方法，其特征在于，所述(7)计算第t帧的APCE值，记为APCEt，采用下述计算公式进行计算：

其中，Fmax,Fmin,Fx,y分别表示输出响应矩阵F中最大的元素值和最小的元素值以及第x行第y列的元素值；

只将Fmax>0.15时的APCE值放入集合ZAPCE中，ZAPCE集合的历史平均值记为N为集合ZAPCE中元素个数。

3.根据权利要求1所述的方法，其特征在于，所述HOG特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子；首先将图像分成细胞单元，采集细胞单元中各像素点的梯度的或边缘的方向直方图，将方向直方图组合起来构成特征描述器。

4.根据权利要求1所述的方法，其特征在于，所述CN特征即将现实世界中的图像的RGB值映射为11种预先定义的颜色，11种预先定义的颜色为黑色，蓝色，棕色，灰色，绿色，橙色，粉色，紫色，红色，白色和黄色。

5.根据权利要求1‑2任一所述的方法，其特征在于，所述方法的仿真实验采用Matlab R2015a和OpenCV3.1实现。

6.根据权利要求5所述的方法，其特征在于，其中所述仿真实验中，参数β＝0.4，γ＝

0.65，τ＝1，k＝1.4，ε＝0.000001。

7.权利要求1‑6任一所述的方法在视频跟踪技术领域内的应用。