1.一种基于非凸运动辅助的目标检测方法，其特征在于：包括以下步骤：步骤1：将待处理的视频数据输入至已构建的低秩稀疏分解模型中；

步骤2：采用交替方向乘子法对构建的低秩稀疏分解模型进行求解，得到输入视频数据中的运动目标。

2.根据权利要求1所述的一种基于非凸运动辅助的目标检测方法，其特征在于：所述低秩稀疏分解模型为基于非凸运动辅助的低秩稀疏分解模型，表达式如下：Z＝g(L)

其中，Z＝g(L)为辅助变量，g(L)表示对背景矩阵L进行酉变换，||L||γ表示矩阵L的非凸γ范数，||S||1表示矩阵的l1范数，M∈Rm×n表示已知的数据矩阵，W∈Rm×n代表运动辅助信息矩阵，符号 表示两个矩阵的对应元素相乘，λ1＞0和λ2＞0是折中因子。

3.根据权利要求2所述的一种基于非凸运动辅助的目标检测方法，其特征在于：所述步骤2具体包括以下步骤：S21：给定ρ＞1、λ1＞0、λ2＞0、μ0＞0、M和W，初始点L0＝0、S0＝0、Y0＝0和P0＝0，迭代次数j＝0；ρ表示迭代过程的加速因子，λ1，λ2表示折中因子，μ0表示初始的惩罚参数值，M∈Rm×n表m×n示已知的数据矩阵，W∈R 表示运动辅助信息矩阵，L0，S0分别代表了低秩矩阵L和稀疏矩阵S的初始化的零矩阵，Y0，P0表示拉格朗日乘子初始化的零矩阵；

S22：更新变量Lj+1：

Lj+1＝U diag{σ*}VT

式中，U，V分别表示了对矩阵的奇异值分解的左右正交矩阵，diag(·)表示创建对角矩阵，σ*表示了最优的奇异值，σ*由σk收敛得到：式中， 表示f(·)在σk处的梯度，(·)+表示取正运算，σA表示矩阵A的奇异值，μj表示第j步的惩罚参数；

S23：更新变量Sj+1：

其中shrink(X,t)＝sign(X)max(abs(X)-t,0)表示软阈值算子，sign(·)表示符号函数，max(·)表示了元素的最大的值，abs(·)表示了元素的绝对值，M∈Rm×n表示已知的数据矩阵，W∈Rm×n表示运动辅助信息矩阵，Lj+1表示了在第j+1步的L变量值，Yj、μj表示了第j步的拉格朗日乘子和惩罚参数，λ1表示对变量S的折中因子；

S24：更新变量Zj+1：

其中，g(·)表示了对变量L的酉变换，shrink(X,t)＝sign(X)max(abs(X)-t,0)表示软阈值算子，Yj、μj表示了第j步的拉格朗日乘子和惩罚参数，λ2表示对变量Z的折中因子；

S25：更新变量Yj+1：

Yj+1＝Yj+μj(M-Lj+1-Sj+1)    (13)其中M∈Rm×n表示已知的数据矩阵，Lj+1，Sj+1表示变量L，S的第j+1步的值；

S26：更新变量Pj+1:

Pj+1＝Pj+μj(Zj+1-g(Lj+1))    (14)其中Zj+1表示变量Z的第j+1步的值，g(Lj+1)表示对Lj+1进行酉变换，Pj、μj表示了第j步的拉格朗日乘子参数和惩罚参数；

S27：更新变量μj+1：

μj+1＝ρμj         (15)

其中的ρ＞1是加速因子，μj表示了第j步的惩罚参数；

S28：判断是否满足终止条件：

其中||·||F表示了Frobenius范数，M∈Rm×n表示已知的数据矩阵，Lj+1表示了在第j+1步的L变量值，Sj+1表示了在第j+1步的S变量值；

若满足，则迭代终止，否则令j＝j+1返回步骤S22。

4.根据权利要求1所述的一种基于非凸运动辅助的目标检测方法，其特征在于：所述待处理的视频数据为大小为Rm×n的二维矩阵M，m为视频帧的长宽乘积，n为视频所含的帧数。