1.一种基于ICA‑R多特征融合与自适应更新的视觉目标跟踪方法，其特征在于，包括以下步骤：S1，跟踪目标初始化，选定需要跟踪的目标，并采用高斯滤波将视频序列进行预处理，将预处理后的视频序列通过二维仿射变换得到多视角的信息，用k表示其中的一个视角；

S2，选定深度卷积神经网络VGG‑m网络模型提取目标的深度特征，采用梯度直方图特征HOG提取目标的形状特征，采用颜色特征提取目标的颜色特征，通过VGG‑m网络模型中的第一个卷积层Conv1和最后一个卷积层Conv5分别提取深度特征 和 HOG提取形状特征FH，CN提取颜色特征FC，并进行初步融合得到初步融合后的单一视角特征为S3，将S2中单一视角的融合特征 作为本一步中的混合信号， 作为参考信号，利用一单元快速参考独立成分分析ICA‑R算法将深度特征 和 和S2中单一视角融合后的特征 进行再次融合得到期望信号S4，利用拉格朗日数乘法将多个视角融合得到特征图谱 其

中Vk表示第k个视角中融合后得到的期望信号；

S5，采用相关核滤波KCF跟踪框架进行模型训练，得到当前帧的训练模型为：其中z为与Ffinal大小相同的候选图像块，

表示相关核，α表示正负样本移位过程中产生的样本， 表示样本α的傅里叶变换，Ffinal是S4中融合多个视角后得到的特征图谱；

S6，利用训练得到的目标表观模型对当前帧中的目标进行定位并跟踪；

S7，预估当前帧中跟踪目标的位置，输出当前帧中跟踪目标的位置。

2.根据权利要求1所述的一种基于ICA‑R多特征融合与自适应更新的视觉目标跟踪方法，其特征在于，所述步骤S2预处理后的视频序列通过二维仿射变换得到多视角的信息，具体步骤包括：S21:通过高斯滤波将原始视频序列中的图片降噪，增强图片的表示，便于后续中的特征提取；

S22：通过仿射变换，将降噪后的视频序列由单一视角变为多个视角，并用k表示其中的一个视角。

3.根据权利要求1所述的一种基于ICA‑R多特征融合与自适应更新的视觉目标跟踪方法，其特征在于，所述步骤S2通过VGG‑m网络提取第一层Conv1和最后一层Conv5的深度特征，并分别与HOG特征、CN特征进行初步融合，具体步骤包括：S31:通过VGG‑m网络分别提取目标的第一层(Conv1)和最后一层(Conv5)的深度特征和 然后利用HOG提取目标的形状特征FH，CN提取目标的颜色特征FC；

S32:通过二维仿射变换，将原始的二维信息扩展到三维信息，并用 表示其中的一个视角；

S33:利用步骤S21中的三种特征，在S22的单一视角中，利用计算元素点积的方法将这三种特征进行初步融合，公式如下：其中，⊙表示元素之间的点积，k表示仿射变换后的一个视角。

4.根据权利要求3所述的一种基于ICA‑R多特征融合与自适应更新的视觉目标跟踪方法，其特征在于，所述步骤S3利用一单元快速ICA‑R算法将特征再次融合得到期望信号具体包括：S41:将 作为混合后的信号， 作为参考信号，利用ICA‑R进行进一步特征融合；

S42:计算负熵J(s)，使得其最大，公式如下：

其中，ρ是一个正的常数项， 表示线性激励函数，μ是一个均值为0的高斯变量，ε(·)是一个范数函数， 表示x的期望，相似性测量 被定义用来得到它的最小值，ξ是一个阈值；

S43：根据S32中计算得到的最大负熵，得出分别将 和 作为参考信号的特征为和S44:根据S32中得到的 和 计算单一视角中融合后的特征，公式如下：

5.根据权利要求4所述的一种基于ICA‑R多特征融合与自适应更新的视觉目标跟踪方法，其特征在于，所述S5模型训练步骤包括：S51：基于KCF的跟踪框架将跟踪问题看作分类问题，则优化问题可看作如下公式：其中<·>表示内积，表示映射到核空间，xp,q表示负样本x通过循环移位得到的样本，y(p,q)表示回归目标，λ是正则化参数，用于控制过拟合，λ≥0，w表示正则化项，用于控制过拟合；

S52：将问题转化到傅里叶域，则S51中的优化问题变为如下公式：ω＝∑α(p,q)φ(p,q)，α(p,q)表示正负样本移位过程中产生的样本，φ(p,q)表示傅里叶域的回归目标，ω表示映射到傅里叶域的目标函数；

S53：根据得到的特征Ffinal，得到当前帧的训练模型为：

6.根据权利要求5所述的一种基于ICA‑R多特征融合与自适应更新的视觉目标跟踪方法，其特征在于，所述步骤S6训练得到的目标表观模型对当前帧中的目标进行定位并自适应更新跟踪，自适应更新步骤包括:S61：计算前Ns帧中心块移位的欧式距离的平均值：

其中 表示第i帧与第i+1帧中心块移位的欧式距离，n表示总帧数，欧式距离的计算方式为 Cj表示当前帧中目标的中心位置，j表示第j帧；

S62：后续视频序列中的Ns根据计算得到的中心块移位的欧式距离来判断，公式如下：其中θ1和θ2表示提前设定好的阈值，得到Ns后，在后续的视频序列中每隔Ns进行一次模型更新。