1.一种目标跟踪方法，其特征在于，包括以下步骤：S1：根据待跟踪目标，构建目标的正专家模板集；

正专家模板集的构建方法为：采集N个正目标模板，针对每个正目标模板进行分块处理，即通过滑动窗口将其划分为K个局部图像块，将每个局部图像块采用拉列算子vec进行拉列处理，将K个局部图像块拉列处理后的结果作为目标的正专家模板；设定Yk表示N个正专家模板中所有正专家模板的第k个局部图像块的集合，表示第n个正专家模板中第k个局部图像块，nn

＝1,2,...,N，表示正目标模板的序号；设定正专家模板集中第n个正专家模板为PT ，S2：根据上一帧目标的状态，在新一帧视频图像中撒M个粒子组成候选粒子集，用滑动窗口将每个粒子划分为K个局部图像块，分别为 其中， 表示第m个粒子中的第k个局部图像块；

S3：对目标的正专家模板集中的各正专家模板施加低秩约束后，构建基于低秩约束的逆向联合稀疏表示的联合稀疏编码模型：其中， 表示Yk施加低秩约束后的结果，Dk表示第k个空间视觉子字典，Xk为稀疏编码系数，表示空间稀疏编码矩阵， 表示第k个空间视觉子字典Dk对Yk中第n个正专家模板 的稀疏编码系数，||Xk||2,1表示空间稀疏编码矩阵Xk的l2,1范数；

S4：引入交替方向乘子法，求解稀疏编码系数Xk；

S5：通过联合稀疏编码打分，判别式非最大值抑制投票打分和局部纹理特征相似度打分三步评分机制筛选出最优粒子；

S6：根据最优粒子进行目标跟踪。

2.根据权利要求1所述的目标跟踪方法，其特征在于：步骤S4具体包括以下步骤：S41：输入 Dk、正则化参数μ、二次惩罚项系数λ、学习率γ、迭代次数阈值Iter，初始化设定迭代次数t＝1、k＝1，设定Xk的初始值 拉格朗日乘子Λs的初始值 和去耦合(0)

变量S的初始值S 均为0；

S42：根据下式分别更新

其中，G(i,:)表示G矩阵的第i行， ||.||2表示L2范数，上标(t)表示第t次迭代， 表示Dk的转置；

S43：判断t

S44：判断k

S45：输出稀疏编码系数Xk。

3.根据权利要求1所述的目标跟踪方法，其特征在于：通过联合稀疏编码打分筛选的过程包括以下步骤：

S511：通过下式的判定条件初步优选粒子：||Xk(i,:)||2>τ1

其中，Xk(i,:)表示矩阵Xk的第i行，τ1表示第一阈值；

S512：将初步优选得到的粒子进行图像抽取，得到图像设定为S513：将 与步骤S1中构建的正专家模板集中的任一正专家模板中的对应位置k处的局部图像块 进行余弦距离打分，r＝rand(1,N)，rand表示随机抽取；

S514：根据余弦距离打分结果，通过下式的判定条件进一步优选粒子：其中，τ2表示第二阈值；

S515：将同时满足步骤S511的初步优选条件和步骤S514的进一步优选条件的粒子打1分，其他粒子打0分，从而得到K个大小为M×1的指示向量Ik(k＝1,2,...,K)；

S516：将获得的K个指示向量Ik组成大小为K×M的矩阵I，并计算每一行的和，将结果组成一个列向量，然后根据下式计算列向量中每个粒子的第一分数分数Score1(i)后，筛选出第一分数不为0的O个粒子S1,S2,...,SO，其中Si(i＝1,2,...,O)表示选择的粒子在候选粒子集中的编号：

其中，τ3表示第三阈值τ3，if表示如果条件满足，others表示其他情况。

4.根据权利要求1所述的目标跟踪方法，其特征在于：通过判别式非最大值抑制投票进行打分的过程包括以下步骤：

S521：针对通过联合稀疏编码打分筛选得到的O个粒子中的每个粒子，分别通过滑动窗口划分为K个局部图像块，并将每个局部图像块进行拉列处理后，排成大小为O×K的矩阵，矩阵中的元素为： 表示第i个粒子Si中的第k个局部图像块；

S522：将每个粒子的每个局部图像块分别与目标的正专家模板集中每个正专家模板的对应位置的局部图像块进行相似度度量；针对每个正专家模板的每个局部图像块，选取相似度度量最大时对应的粒子，设定该粒子的分值加1；

S523：构建目标的负专家模板集，将每个粒子的每个局部图像块分别与目标的负专家模板集中每个负专家模板的对应位置的局部图像块进行相似度度量；针对每个负专家模板的每个局部图像块，选取相似度度量最大时对应的粒子，设定该粒子的分值减1；

S524：将通过的步骤S523得到的最终分数最为每个粒子的第二分数。

5.根据权利要求1所述的目标跟踪方法，其特征在于：通过局部纹理特征相似度打分筛选的过程包括以下步骤：

S531：将通过判别式非最大值抑制投票打分筛选的粒子所对应的图像进行LBP纹理特征提取；

S532：根据LBP纹理特征提取后的粒子，计算其与正专家模板集中任一正专家模板的LBP纹理特征的余弦距离；

S533：根据余弦距离计算每个粒子的第三分数和第三权值ω3(Si)；

S534：根据每个粒子的第三权值，筛选第三权值ω3(Si)大于第四阈值τ4的粒子。

6.根据权利要求1所述的目标跟踪方法，其特征在于：步骤S5包括：根据联合稀疏编码打分、判别式非最大值抑制投票打分和局部纹理特征相似度打分对应的第一权值、第二权值和第三权值计算总权值；根据总权值和粒子滤波算法得到最优粒子。

7.根据权利要求1所述的目标跟踪方法，其特征在于：还包括步骤S7：根据步骤S5得到的最优图像块对目标的正专家模板进行更新，具体包括以下步骤：S701：根据最优粒子得到最优图像块，分别计算最优图像块中各局部图像块Bk的归一化HOG特征直方图NH(Bk)和各正专家模板中各局部图像块 的归一化HOG特征直方图其中，HOG表示HOG特征直方图；

S702：计算最优图像块与各正专家模板的相似度度量矩阵：其中，W(n,k)表示最优图像块的第k个局部图像块Bk与正专家模板集中的第n个正专家模板的第k个局部图像块 相似度度量矩阵；

(old)

S703：设W 表示上一帧的相似度度量矩阵，判断是否成立，如果成立，替换正专家模板集中的每个正专家模板的相应位置的局部图像块，同(old) (old)

时更新W (:,k)；否则，局部图像块和W (:,k)不更新；

其中，|·|表示求绝对值；W(:,k)表示最优图像块中的第k个局部图像块与正专家模板集中所有正专家模板的相应位置的局部图像块的相似度度量向量； 表示对W(:,k)求均值；threshold表示相似度度量阈值。

8.一种目标跟踪终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求

1～7中任一所述方法的步骤。

9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1～7中任一所述方法的步骤。