1.基于Kalman目标预测多特征压缩融合的快速运动目标跟踪方法，包括：(1)在特征提取阶段，对多特征进行压缩；

(2)对压缩后的多特征进行自适应融合，形成跟踪使用的特征向量；

(3)采用Kalman滤波预测目标位置，并进行目标跟踪优化；

所述步骤(2)中的自适应融合是采用背景加权法对压缩域的颜色和纹理特征进行自适应融合：设背景模板直方图为Ot＝{ot|t＝1，...，m}， 目标模板直方图为qt，t＝1，

2，...，m，当前帧候选目标直方图为pt，t＝1，2，...，m，则经过BWH修正的目标模板直方图为：其中，kt＝{min(ot*/ot，1)|t＝1，2...m}，为背景模板Ot中的非零最小值；

分别对像素xi的颜色特征m′与纹理特征n′进行BWH修正，修正后的彩色特征目标模板直方图为qm′，纹理特征直方图模板为qn′，则经过BWH修正的候选目标区域像素xi的权重 为：其中

2.根据权利要求1所述的基于Kalman目标预测多特征压缩融合的快速运动目标跟踪方法，其特征在于：所述步骤(1)中的多特征压缩具体方法为：分别提取目标的颜色和纹理特征来代替传统算法的单一特征，然后采用两个相互独立分布稀疏投影矩阵将图像的LBP纹理特征和H空间上的颜色特征投影到低维的空间上，所述LBP纹理特征为Local Binary Pattern纹理特征，所述H空间为Hue色调空间。

3.根据权利要求1所述的基于Kalman目标预测多特征压缩融合的快速运动目标跟踪方法，其特征在于：所述步骤(3)中采用Kalman滤波预测目标位置，并进行目标跟踪优化为：(3-1)计算预测位置与压缩跟踪样本检测位置的距离，用距离权重来训练贝叶斯分类器，选取分类器判别函数值最大的位置作为目标的位置；

(3-2)采用自适应学习率更新目标和背景的参数。

4.根据权利要求3所述的基于Kalman目标预测多特征压缩融合的快速运动目标跟踪方法，其特征在于：所述步骤(3-1)中贝叶斯分类器的判别函数为：其中，V＝[v1，v2，...vn]为样本z∈Rm的低维向量且n＜m，V中的每个元素是独立分布的；

y＝1表示目标样本，y＝0表示背景样本；p(y＝1)为目标样本的先验概率，p(y＝0)为背景样本的先验概率；判别函数H′(v)根据样本的位置权值ωk来放大背景和目标的差异，以此来增强分类可信度：当越靠近目标时，ωk越大，p(vi|y＝1)越大，则(1-ωk)和p(vi|y＝0)越小，因而H′(v)的值越大，即背景和目标的差异越大，这就说明当ωk越大时，越能较好的区分目标和背景。

5.根据权利要求3所述的基于Kalman目标预测多特征压缩融合的快速运动目标跟踪方法，其特征在于：所述步骤(3-2)中，采用自适应学习率更新目标参数的具体方法为：(3-2-1)目标均值更新：

其中，β1表示当前帧目标均值 与已有目标均值 的偏差，该β1值越大表示当前帧目标和已有目标的偏差度越大，即当前帧的结果越不可信，则应该增大对已有目标 的学习率；式(5)为S型曲线，β1越大则ε1越大，则由式(6)可知对已有目标 的学习率越大，对当前帧目标 的学习率越小；

(3-2-2)目标方差更新：

其中，β2为当前帧目标的方差 与已有目标方差 的偏差，该β2值越大表示当前帧目标和已有目标的偏差度越大，即当前帧的结果越不可信，则应该增大对已有目标的学习率；由式(8)可知，β2越大则ε2越大，则由式(9)可知对已有目标 的学习率越大，对当前帧目标 的学习率越小。

6.根据权利要求3所述的基于Kalman目标预测多特征压缩融合的快速运动目标跟踪方法，其特征在于：所述步骤(3-2)中，采用自适应学习率对更新背景参数的具体方法为：(3-2-3)背景均值更新：

其中，β3表示当前帧背景均值 与已有背景均值 的偏差，该β3值越大表示当前帧背景和已有背景的偏差度越大，即当前帧的结果越不可信，则应该增大对已有背景 的学习率；由式(11)可知，β3越大则ε3越大，则由式(12)可知对已有背景 的学习率越大，对当前帧背景 的学习率越小；

(3-2-4)背景方差更新：

其中，β4为当前帧背景方差 与已有背景方差 的偏差，该β4值越大表示当前帧背景和已有背景的偏差度越大，即当前帧的结果越不可信，则应该增大对已有背景的学习率；由式(14)可知，β4越大则ε4越大，则由式(15)可知对已有背景 的学习率越大，对当前帧背景 的学习率越小。