1.一种基于多特征和尺度估计的PCB板标识跟踪方法，其特征在于，包括以下步骤：

初始化：读入第一帧中传送带上PCB板图像，同时获取PCB板标识位置；

构造分类器：利用循环矩阵构造PCB板标识样本，对PCB板标识训练样本加汉宁窗，提取训练样本的灰度特征图，因为HOG特征取自灰度特征图，在灰度图的基础上，设置阈值，对灰度图进行图像增强效果，提取HOG特征和CN特征，融合后的特征定义为x＝[x1,x2,...,xc]，c为特征维度，训练样本特征进行傅里叶变换，训练样本核空间矩阵进行傅里叶变换，通过傅里叶反变换求出权重系数α来构造的分类器函数f(z)，z为样本；

更新PCB板标识位置：在下一帧中，对检测样本加汉宁窗后，提取待检测PCB板标识样本z的HOG特征和CN特征，对两个特征进行傅里叶变换，检测样本核空间矩阵傅里叶变化，通过其中 为权重系数， 为高斯核函数，对其做傅里叶反变换来计算它们的响应值f(z)，并计算两特征的权重，通过加权方式并确定最终位置；

尺度估计：设计一个相关滤波器，建立PCB板标识尺度池，设PCB板标识为T，同样以si*T提取i个样本，si为尺度样本，并将这些样本变换为固定尺寸，然后代入尺度滤波器计算其响应，PCB板标识的尺度为其对应的输出响应最大，实现尺度估计；

更新分类器和尺度估计模型：得到PCB板标识的位置后，将更新分类器和尺度估计模型，然后再对下一帧进行检测；

所述构造分类器是利用循环矩阵把图像中的PCB板标识向上、向下分别移动不同的像素得到新的样本图像为I，大小为1280*720像素；首先对图像I加汉宁窗，得到图像I2，大小为214*74像素，提取训练样本的灰度特征图，紧接着提取HOG特征和CN特征，将特征融合，定义x＝[x1,x2,...,xc]，c为特征维度，训练样本特征进行傅里叶变换，训练样本核空间矩阵进行傅里叶变换为 λ为正则化参数，对回归值y傅里叶变换 通过 计算对 进行傅里叶反变换求出权重系数α，则构造的分类器函数 其中

f(z)为响应值，z为训练样本，w为权重，k(z,xi)为核函数，xi代表特征向量，α为权重系数。

2.根据权利要求1所述的一种基于多特征和尺度估计的PCB板标识跟踪方法，其特征在于，所述初始化是采集传送带上PCB板图像，使用matlab读入图像，并获取PCB板标识的位置。

3.根据权利要求1所述的一种基于多特征和尺度估计的PCB板标识跟踪方法，其特征在于，更新PCB板标识位置中，对检测样本加汉宁窗后，提取待检测样本z的HOG特征和CN特征，并进行傅里叶变换，检测样本核空间矩阵傅里叶变化，通过 为权重系数， 为高斯核函数，对其做傅里叶反变换来计算HOG特征的响应值f(zh)和CN特征的响应值f(zc)，其中，zh为待检测HOG特征样本,zc为待检测CN特征样本，计算权重 并确定最终位置p最终位置＝θ*pc+(1‑θ)*ph，ph为HOG特征的位置，pc为CN特征的位置。

4.根据权利要求1所述的一种基于多特征和尺度估计的PCB板标识跟踪方法，其特征在于，尺度估计过程中，PCB板标识的尺度为其对应的输出响应最大，获得最大响应时的尺度‑1系数为： 为检测样本的响应值，F 为傅里叶逆变换。

5.根据权利要求1所述的一种基于多特征和尺度估计的PCB板标识跟踪方法，其特征在于，更新分类器中，分类器更新系数为： 更新目标模板为：n为图像序列号，第n帧的参数αn为第n‑1帧的参数αn‑1与当前帧

训练得到的参数 的线性加权，β为更新系数；更新尺度估计模型的带宽更新参数为：σw＝σw'*s和σh＝σh'*s，σw'为上一帧的尺度宽度系数，σh'为上一帧的尺度高度系数，σw为本帧的尺度宽度系数，σh为本帧的尺度高度系数，s为尺度变化因子。