1.一种基于改进的双中心粒子群优化算法的目标跟踪方法，其特征在于，具体步骤如下：
步骤1，框选出图像序列中首帧图像的目标位置
读取要处理的图像序列，在首帧图像中用鼠标对要跟踪的目标进行框选，得到目标中心位置和目标区域的长度和宽度；
步骤2，根据框选的目标，对目标区域的图像计算hu不变矩来描述目标的形状特征；
步骤3，根据框选的目标，对目标区域的图像计算hsv颜色直方图来描述目标的颜色特征；
步骤4，对步骤3和步骤4计算出的形状特征向量h和颜色特征向量g进行串联，得到特征融合后的目标特征向量[h,g]，即目标模板特征；
步骤5，对后续图像帧应用双中心粒子群优化算法，获取所述图像帧中的全局最优粒子的位置；
步骤6.提出抗遮挡的目标模板更新策略，得到更新后的新目标模板特征。
2.根据权利要求1所述的一种基于改进的双中心粒子群优化算法的目标跟踪方法，其特征在于，所述步骤2的具体处理过程是：
子步骤2a、对目标区域的图像灰度化；
gary＝r*0.3+g*0.59+b*0.11；
子步骤2b、用canny边缘检测提取边缘，保留边缘灰度图像；
子步骤2c、使用otsu提出的类判别分析法自动为灰度图像选定阈值，用该阈值对图像二值化；
子步骤2d、计算二值图像的质心
上式中mpq为数字图像(p+q)阶几何矩，根据零阶几何矩和一阶几何矩计算出图像质心
子步骤2e、根据二值图像的质心计算出中心距μpq，通过归一化中心矩构造7个不变矩，即为hu不变矩；
ηpq＝μpq/(μ00)ρp,q＝0,1,2...；
上式中ηpq为归一化的中心距，其中ρ＝(p+q)/2+1，构造7个不变矩，并根据7个不变矩构造形状特征向量h。
3.根据权利要求1所述的一种基于改进的双中心粒子群优化算法的目标跟踪方法，其特征在于，所述步骤3的具体处理过程是：
子步骤3a、将目标区域的图像由rgb空间转换到hsv空间；
上式为颜色空间转换公式，r，g，b的取值范围是[0,255]，
子步骤3b、将hsv颜色空间非等间隔量化，构造颜色特征向量g，构造公式表示为：g＝4h+3s+3v+1。
4.根据权利要求1所述的一种基于改进的双中心粒子群优化算法的目标跟踪方法，其特征在于，所述步骤5的具体处理过程是：
子步骤5a、设定双中心粒子群优化算法的参数；
包括：
种群规模，
粒子的位置范围：[lb,ub]，lb为粒子位置的下界对应目标区域图像的最小行列数，ub为粒子位置的上界对应目标区域图像的最大行列数；
粒子的速度范围：[-vmax,vmax]；
认知参数：个体认知参数c1＝1.4，全局认知参数c2＝1.4；
惯性权重：最大惯性权重wmax＝0.9，最小惯性权重wmin＝0.4；
终止条件：粒子的全局最优值的阈值m＝0.8，最大迭代次数tmax＝10；
遮挡阈值：s＝0.2；
子步骤5b、初始化粒子的位置并计算每个粒子的适应度值；
根据上一帧中目标最优粒子的位置，在搜索范围内对粒子的位置随机初始化；然后计算每个粒子候选区域图像的hu不变矩和hsv颜色直方图，得到每个粒子的特征融合向量，分别与目标模板特征计算距离来度量相似性，相似性即为每个粒子的适应度值；
距离选用欧式距离
上式中，d为欧式距离，x为粒子特征向量，y为目标模板特征向量；
上式中，f为粒子的适应度值，利用欧氏距离度量粒子的适应度值，距离越小，相似性越大，粒子的适应度值越大；
子步骤5c、自适应调整粒子的惯性权重；
根据迭代次数iter和粒子的适应度值f对惯性权重w进行自适应调整，具体公式为：
上式中，wmax为惯性权重的最大值，wmin为惯性权重的最小值，tmax为粒子群优化算法的最大迭代次数，iters为当前迭代次数，f为当前粒子的适应度值，fmax为粒子的最大适应度值；
子步骤5d、根据所述的自适应惯性权重和公式，更新每个粒子的速度vit+1和位置
上式中，n为粒子群优化算法中的种群大小，w为自适应的惯性权重，c1、c2为加速因子，一般取值为c1＝c2＝1.4，r1、r2为两个取值范围为[0,1]的随机数；vit为粒子i在第t次迭代时的速度，xit粒子i在第t次迭代时的速度时的位置，
子步骤5e、引入两个加权中心粒子，粒子群体加权中心xct和个体极值加权中心xpct参与全局最优值的竞争，其中，中心粒子位置的更新公式分别为：
上式中，xit为粒子i在第t次迭代时的位置，fit为粒子i在第t次迭代时的适应度值，cit为粒子i在第t次迭代时归一化的适应度值，xct为第t次迭代时粒子群体加权中心粒子位置；
上式中，
子步骤5f、计算第t次迭代时全局最优值：
上式为第t次迭代时全局最优值
子步骤5g、根据计算出的第t次迭代时全局最优值，若粒子的全局最优值达到设定的阈值或当前的迭代次数达到预设的迭代次数迭代结束，保留全局最优粒子的位置，否则重复子步骤5c；
子步骤5h、标记全局最优粒子的位置，输出当前帧中目标的位置。
5.根据权利要求4所述的一种基于改进的双中心粒子群优化算法的目标跟踪方法，其特征在于，所述步骤6的具体处理过程是：
子步骤6a、计算当前帧中全局最优粒子位置的适应度值；
子步骤6b、比较当前帧中全局最优粒子位置的适应度值和遮挡阈值大小，判断目标是否发生遮挡；
子步骤6c、若当前帧中全局最优粒子位置的适应度值小于遮挡阈值时，判定目标发生遮挡，不进行目标模板更新，使用前一帧的目标模板进行目标跟踪，否则进行模板更新，将全局最优粒子的特征和目标模板特征进行线性融合，得到新的目标模板特征，并用于下一帧的目标跟踪；
f＝0.8f1+0.2fbest；
上式为目标模板更新公式，f1为前一帧的目标模板特征，fbest为全局最优粒子的特征，f为更新后新的目标模板特征。