1.一种基于形状上下文和hog特征的异源图像配准方法，其特征在于包括以下步骤：
利用混合高斯模型对异源图像进行前景检测，得到目标在各个异源图像序列中每一帧的形状轮廓信息；
结合形状上下文算子和hog梯度描述算子计算联合匹配代价，确定异源图像的两个目标形状轮廓点集的对应关系；采用tps形变模型转换将对应关系扩展到两个形状上的任意点，得到目标形状的映射关系；对tps形变模型进行正则化和缩放特性处理，获得两个形状的精确映射位置关系；最后利用ransac随机抽样一致性算法去除误匹配点对，迭代得到异源图像的精确配准。
2.根据权利要求1所述的一种基于形状上下文和hog特征的异源图像配准方法，其特征在于：所述异源图像为视觉传感器采集的可见光图像与红外热像仪采集的红外图像。
3.根据权利要求1所述的一种基于形状上下文和hog特征的异源图像配准方法，其特征在于：所述利用混合高斯模型对异源图像进行前景检测包括：
1.1模型建立：t时刻任意一个像素点的高斯概率分布
其中，k表示高斯分布的个数，这里k＝3，p(gi)表示权值，gi表示当前像素点的第i个高斯分布，ωi、μi、∑i和分别表示当前像素点的第i个高斯分布中的权值、均值向量和方差矩阵，g(x，μi，∑i)表示当前像素点的第i个概率密度的高斯分布函数；
1.2模型参数更新：对于一幅新的图像中的像素点，当满足|xt-μi，t-1|＜dσi，t-1，该像素点为背景像素，需要更新模型参数ωi，t、μi，t、σi，t，如果不满足，则为前景像素；
参数更新方式如下：
ωi，t＝(1-α)ωi，t-1+α
μi，t＝(1-ρ)μi，t-1+ρxt
μi，tσi，t2＝(1-ρ)σi，t-12+ρ(xt-σi，t)2
其中，xt为t时刻彩色像素点的值，μi，t-1为第i个高斯分布在t-1时刻的均值，d为自定义参数，这里d＝2.5；α和ρ分别权值更新率和参数更新率，ωi，t为t时刻第i个高斯分布中的权值，μi，t为t时刻第i个高斯分布中的均值向量，σi，t为第i个高斯分布在t时刻的标准差；
1.3背景模型更新：对权值ωi，t进行归一化，再按照ωi，t-1/σi，t从大到小的顺序排列；当权值ωi，t之和满足公式
4.根据权利要求1所述的一种基于形状上下文和hog特征的异源图像配准方法，其特征在于：所述结合形状上下文算子和hog梯度描述算子计算联合匹配代价，确定异源图像的两个目标形状轮廓点集的对应关系，包括：
2.1对可见光图像、红外图像的目标轮廓点，利用形状上下文描述子分别计算归一化后的k-bin直方图；
2.1.1通过边缘检测算子均匀取样获取的轮廓点集p＝{p1，…，pi，…，pn}，pi∈r2；
2.1.2采用对数极坐标空间表示离散化处理描述目标形状，得到图像轮廓在对数极坐标下的归一化后的k-bin直方图；
将空间坐标系中的位置点(x，y)转换到对数极坐标系，将对数极坐标系空间划分成若干个区域，计算其余n-1个轮廓点相对于任意采样点pi的相对坐标组成的直方图hi(k)表示如下：
hi(k)＝#{q≠pi：(q-pi)∈bin(k)}
其中，q表示轮廓点集中的其余n-1个轮廓点，bin(k)表示对数极坐标系分成的若干个区域；
2.2对可见光图像、红外图像的目标轮廓点，利用hog特征分别计算hog梯度方向直方图；
2.2.1将图像分成若干个细胞单元并由细胞单元组成block区域；
2.2.2将细胞单元中的像素梯度在360°方向内划分为若干个方向区域；根据像素点梯度幅值和方向计算落在每个方向区域内的梯度幅值之和作为该区域的幅值，得到包含细胞单元的hog梯度方向直方图，从而得到block区域的hog梯度方向直方图；
2.2.3对block区域的hog梯度方向直方图进行归一化处理；
2.3结合形状上下文算子和hog梯度描述算子计算联合匹配代价，确定异源图像的两个目标形状轮廓点集的对应关系；
2.3.1采用形状上下文算子和hog梯度描述算子的联合匹配代价c(pi，qj)，计算两个异源图像形状中任意两个像素点pi和qj的相似度：
c(pi，qj)＝(1-ω1)c1(pi，qj)+ω2c2(pi，qj)
其中，ω1、ω2分别表示自定义的权值因子，取值范围在[0，1]之间；形状上下文算子的匹配代价c1(pi，qj)和hog算子的匹配代价c2(pi，qj)分别服从χ2分布的公式如下：
其中hi(k)、hj(k)分别表示pi、qj归一化的k-bin直方图，hogi(k)、hogj(k)分别表示pi、qj的hog梯度方向直方图；
2.3.2当两个形状中所有轮廓点的匹配代价的和h(π)最小时，可以实现形状匹配：
其中，π为轮廓点集pi到另一个轮廓点集qj的映射，qπ(i)为qj；
采用匈牙利算法寻找增广路，在o(n3)时间复杂度内找到最小匹配代价h(π)实现最优匹配。
5.根据权利要求1所述的一种基于形状上下文和hog特征的异源图像配准方法，其特征在于：所述采用tps形变模型转换将对应关系扩展到两个形状上的任意点，得到目标形状的映射关系包括：
计算tps插值函数
通过对f(x，y)线性方程的求解计算权重向量w与系数向量a的值，其中，w为wi的集合，其中a＝(a1，ax，ay)t，u(r)是核函数，表示为u(r)＝r2logr2，r＝||(xi，yi)-(x，y)||，通常情况下u(0)＝0；
采用tps插值函数f(x，y)将对应关系扩展到两个形状上的任意点，得到目标形状的映射关系。
6.根据权利要求1所述的一种基于形状上下文和hog特征的异源图像配准方法，其特征在于：所述对tps形变模型进行正则化和缩放特性处理，获得两个形状的精确映射位置关系包括：
计算正则化代价函数：
其中，指定噪声的值为vi，f(xi，yi)是点(xi，yi)的tps插值函数的值，正则化参数λ表示控制平滑程度的标量；if是tps插值函数f(x，y)弯曲能量函数；
为了克服λ对于数据尺度的依赖性，解决缩放性问题，引入常数α，正则化代价函数公式变形为：
根据变形后的正则化代价函得到新的线性方程，从而求解得到新的tps插值函数f(x，y)，使得tps插值函数f(x，y)更平滑、对数据尺度依赖更小，从而获得两个形状的精确映射位置关系。
7.根据权利要求1所述的一种基于形状上下文和hog特征的异源图像配准方法，其特征在于：所述利用ransac随机抽样一致性算法去除误匹配，包括：
(1)从形状点集o中随机选取n个数据点，构成点的子集s1，从这个子集开始；
(2)判断数据集中其余点在容错范围t内视为内点，反之为外点；
(3)设置一致性集合的阈值t，当内点的数目大于t时，将数据集中的内点加入子集s1构成新的子集，返回步骤(2)，最终得到一个模型；当内点的数目小于t时，重新构成一个点的子集s2，返回步骤(2)；
(4)重复以上迭代过程，选出最大的一致性子集，此时子集内点的数目最大，从而剔除误匹配点实现光学图像与红外图像的精确配准。