1.一种基于卷积神经网络的特征提取与目标跟踪方法，其特征在于，包括以下步骤：S1：构建并预训练网络模型；

S2：根据视频序列，线上训练网络模型；

S3：输入视频序列，计算跟踪结果；

S4：对视频序列中上一帧的跟踪结果进行评估，选取正样本结果放入网络中迭代以更新网络参数。

2.根据权利要求1所述的基于卷积神经网络的特征提取与目标跟踪方法，其特征在于，步骤S1可分为以下三个步骤执行：S11：获取训练前景分割网络的数据集以及目标跟踪所用视频序列；

S12：构建前景分割所需的网络模型，对网络模型参数进行初始化；

S13：利用前景分割网络数据集中的数据对网络模型进行训练，直至结果收敛。

3.根据权利要求2所述的基于卷积神经网络的特征提取与目标跟踪方法，其特征在于，步骤S11中预先使用了线下训练集对卷积神经的网络前景分割模块进行训练，所述的训练前景分割网络所用数据集为ILSVRC 2014 Object Detection Dataset；所述的目标跟踪所用视频序列为Object Tracking Benchmark 50。

4.根据权利要求2所述的基于卷积神经网络的特征提取与目标跟踪方法，其特征在于，步骤S12中构建前景分割所需的网络模型为一个包含有11个卷积层的特征提取网络。

5.根据权利要求3所述的基于卷积神经网络的特征提取与目标跟踪方法，其特征在于，以ILSVRC 2014 Object Detection Dataset数据集中的bounding box作为label，将图像放入至特征提取网络中进行训练，直至结果收敛。

6.根据权利要求3所述的基于卷积神经网络的特征提取与目标跟踪方法，其特征在于，步骤S2可分为以下两个步骤执行：S21：将视频序列中的第一帧放入至网络中，利用groundtruth提供的跟踪对象位置对网络模型进行微调；

S22：提取训练网络中的特征提取部分及参数，重构目标定位网络，将视频序列第一帧放入至重构后的网络中反复迭代，训练网络模型。

7.根据权利要求6所述的基于卷积神经网络的特征提取与目标跟踪方法，其特征在于，步骤S3可分为以下两个步骤执行：S31：依次选取视频序列中的图像，以上一帧中目标位置为基准，确定跟踪目标所在的大致范围，按照顺序放入至目标跟踪网络中，根据处理后所得到的概率分布矩阵，确定当前跟踪目标的中心位置；

S32：以当前确定的目标中心位置为中心，计算多尺度空间中各尺度所对应的信心值，选取响应最大值所对应的尺度作为跟踪目标的尺度，并对多尺度空间进行更新。