1.一种视觉跟踪方法，其特征在于，包括：

利用目标滤波器对当前视频帧图像的第一图像特征进行滤波，得到响应输出矩阵，所述目标滤波器利用所述当前视频帧图像的上一视频帧图像经过初等变换后得到的多个训练样本进行训练得到；

根据所述响应输出矩阵，确定跟踪目标在当前视频帧图像中的实际位置。

2.如权利要求1所述的视觉跟踪方法，其特征在于，所述利用目标滤波器对当前视频帧图像的第一图像特征进行滤波，得到响应输出矩阵之前，还包括：基于预设的卷积神经网络，对所述当前视频帧图像的第一目标区域进行特征提取，得到所述第一目标区域的深度特征；

根据所述第一目标区域的局部梯度方向信息和颜色信息，对所述第一目标区域进行特征提取，得到所述第一目标区域的HOG特征和颜色特征；

将所述深度特征、HOG特征和颜色特征作为所述第一图像特征。

3.如权利要求1所述的视觉跟踪方法，其特征在于，所述目标滤波器的训练过程，包括：对所述当前视频帧图像的上一视频帧图像中的第二目标区域进行特征提取，得到第二图像特征；

对所述第二图像特征进行初等变换，得到多个图像特征样本；

利用多个所述图像特征样本对预设滤波器进行训练，直至所述预设滤波器的代价函数达到预设值，得到所述目标滤波器。

4.如权利要求3所述的视觉跟踪方法，其特征在于，所述代价函数的计算公式为：，

其中 表示代价函数值，t表示训练样本数量， 表示控制每一帧样本的权重系数，F表示滤波模板，X表示训练样本，Y表示目标输出，w表示空间权重系数，M表示距离空间权重系数中心的行数，N表示距离空间权重系数中心的列数， 表示L2范数对的正则化约束， 表示L2范数对 的正则化约束。

5.如权利要求3所述的视觉跟踪方法，其特征在于，所述对所述当前视频帧图像的上一视频帧图像的第二目标区域进行特征提取，得到第二图像特征之前，包括：提取所述上一视频帧图像中多种尺度大小的多个图像区域；

将多个所述图像区域进行缩放，得到相同尺寸大小的多个所述第二目标区域。

6.如权利要求1所述的视觉跟踪方法，其特征在于，所述根据所述响应输出矩阵，确定跟踪目标在当前视频帧图像中的实际位置之后，还包括：检测所述跟踪目标是否发生跟踪漂移；

若所述跟踪目标发生跟踪漂移，则对所述跟踪目标进行重定位。

7.如权利要求6所述的视觉跟踪方法，其特征在于，所述检测所述跟踪目标是否发生跟踪漂移，包括：根据预设检测条件检测所述跟踪目标是否发生跟踪漂移，所述预设检测条件为：， ，t=1，

， ，t>1，

其中 表示所述响应值图中大于第一预设值的区域半径， 表示所述响应值图中大于第二预设值的区域半径， 和 为预设值参考值，为学习速率，t为帧序号，所述第一预设值小于所述第二预设值；

若 且 ，则判定所述跟踪目标发生跟踪漂移，k表示预设常数。

8.如权利要求6所述的视觉跟踪方法，其特征在于，所述若所述跟踪目标发生跟踪漂移，则对所述跟踪目标进行重定位，包括：若所述跟踪目标发生跟踪漂移，则基于预设粒子群搜索算法，将所述响应值图中的响应值作为粒子的适应值，并对所有所述粒子组成的粒子群进行搜索；

将搜索得到的所述适应值最大的粒子所对应的位置作为所述跟踪目标的中心。

9.一种视频监控方法，其特征在于，包括：

针对监控视频中的每一帧监控图像，利用目标滤波器对所述监控图像的第一图像特征进行滤波，得到响应输出矩阵，所述目标滤波器利用前监控图像的上一帧监控图像经过初等变换后得到的多个训练样本进行训练得到；

根据所述响应输出矩阵，确定跟踪目标在每一帧监控图像中的实际位置；

根据所述跟踪目标在每一帧监控图像中的实际位置，确定所述跟踪目标的行为信息；

基于所述行为信息，确定所述跟踪目标的异常情况。

10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的视觉跟踪方法或权利要求9所述的视频监控方法。