1.基于空间正则化相关滤波器的自适应多特征融合跟踪方法，其特征在于，包括以下步骤：(1)读取视频帧，确定跟踪目标，在第一帧图像中以目标框标示；

(2)采用残差卷积网络提取目标的深度卷积特征，采用梯度直方图和灰度图来提取目标的手工特征；

(3)将深度卷积特征和手工特征进行特征融合；

(4)将第一帧图像的融合特征和当前帧图像跟踪结果的融合特征分别送入两个空间正则化相关滤波器；所述空间正则化相关滤波器表示为：d

式中，＊是空间相关运算，﹒是hadamard乘积，αk≥0表示每个训练样本xk的权重，w和f分别是正则化权值和相关滤波器的实际输出,ε(f)为最小误差值，w根据相关滤波器的空间d位置来确定f的重要程度， 是相关滤波器的空间正则化项；

(5)对两个空间正则化相关滤波器的置信值进行累加求和，以获得t+1帧的跟踪结果，利用第一帧图像和当前帧图像的跟踪结果不断更新视频序列的后续帧；

将交替方向乘子算法引入所述空间正则化相关滤波器以求解相关滤波器f的全局最优解，过程为：引入一个辅助变量g，要求f＝g，步长参数为β，得到增广拉格朗日形式：式中，s为拉格朗日乘子，当 时，上式表示为：用交替方向乘子算法交替求解下列子问题：

(i+1) (i+1) (i+1)

式中，f ，p 和q 分别表示交替求解的子问题，i表示交替求解的次数；

对于滤波器f，上式中第一行，在傅里叶域，等价地得到f为：式中 是相关滤波器f的离散傅里叶变换，样本 包含所有D个通道，进一步分解为MN子问题：式中，标签 的第j个元素只依赖于相关滤波器 的第j个元素，分别表示对应标量值函数的一个矢量化，由f在所有D通道中的第j个元素组成， 的闭合解为：

式中，I是单位向量，h是形式为 的向量，

是秩为1的矩阵，由Sherman‑Morrison公式可以得到：最后，通过 的逆傅里叶变换得到f。

2.根据权利要求1所述基于空间正则化相关滤波器的自适应多特征融合跟踪方法，其特征在于：步骤(3)所述特征融合具体是将手工特征作为卷积特征的一层与深度卷积特征进行融合。

3.根据权利要求1或2所述基于空间正则化相关滤波器的自适应多特征融合跟踪方法，其特征在于：使用所述第一帧图像信息来校正每一帧中的目标漂移。

4.根据权利要求3所述基于空间正则化相关滤波器的自适应多特征融合跟踪方法，其特征在于：当检测到跟踪失败时，使用第一帧图像的真实目标框对下一个视频帧图像的最后一次运行结果进行重新定位，并重复这个过程，直到视频序列的最后一帧图像。

5.根据权利要求1或2或4所述基于空间正则化相关滤波器的自适应多特征融合跟踪方法，其特征在于：步骤(5)中还包括使用牛顿算法优化最终的置信值。