1.一种基于分割的空间目标视觉跟踪方法，其特征在于，所述方法包括：S1，在首帧，通过矩形框选择空间目标区域，对目标区域初始化目标与背景图像特征，得到目标剪影区域；S2，在当前帧，根据目标和背景图像特征，通过剪影跟踪，得到当前帧的目标剪影区域；S3，根据当前帧的目标剪影区域，在线学习目标与背景图像特征；S4，重复步骤S2和步骤S3，得到空间目标在视频图像的区域信息；其中，步骤S1中，在首帧，通过矩形框选择空间目标区域，对空间目标区域初始化目标与背景图像特征，得到目标剪影区域，进一步包括：在首帧t＝0时刻框选目标矩形区域，矩形区域内为可能的目标像素集合，矩形区域外为背景像素集合；根据像素类别标记，通过交互式图像分割方法，得到t＝0时刻目标区域，并划分目标像素集合和背景像素集合，生成目标掩膜图像；通过K-means聚类和参数拟合，估计目标像素集合和背景像素集合的高斯混合模型；步骤S1中，估计目标像素集合pixels 0 和背景像素集合pixels 1 高斯混合模型gmm l m ＝{w l m ,μ l m ,Σ l m ,l＝0,1,m＝1,…,M}，其中l是像素标签，l＝0表示目标模型，l＝1表示背景模型，m是M个高斯模型的序号，w l m 是第m个高斯模型的归一化混合权重，μ l m 是第m个高斯模型的均值向量，Σ l m 是第m个高斯模型的协方差矩阵；目标和背景像素集合的高斯混合模型概率密度函数定义为下述公式一，其中x为像素颜色值：步骤S2包括：根据t-1时刻的目标掩膜图像，通过下述公式二进行图像形态学膨胀运算，得到t时刻的目标潜在区域掩膜图像，t≥1；对t时刻的目标潜在区域，根据目标和背景高斯混合模型和邻域标记相似性，得到如公式三所示的吉布斯能量函数；通过最小割算法，迭代优化求解能量函数，将像素标记为目标像素，可能的目标像素，背景像素，可能的背景像素；将目标像素集合作为t时刻跟踪到的目标区域，划分目标像素集合和背景像素集合，生成目标掩膜图像；式中，pmask t 表示t时刻的目标潜在区域掩膜图像，mask t-1 表示t-1时刻的目标掩膜图像，(x,y)代表像素坐标，(Δx,Δy)代表像素坐标偏移量；式中，n为像素索引，权重γ＝50，像素i和j属于四邻域集合C，dis为函数计算像素i和j图像坐标欧式距离，δ为函数指示像素i标记l i 和像素j标记l j 的相似性，相同为0，不同为1，常数β选取四邻域集合像素颜色差值期望；步骤S3中，根据当前帧的目标剪影区域，在线学习目标与背景图像特征，进一步包括：根据像素颜色值，计算像素属于目标高斯混合模型的概率密度，将可能的目标像素重标记为目标像素和背景像素；通过K-means聚类和参数拟合，基于目标像素集合和背景像素集合的颜色值，在线估计高斯混合模型，学习目标和背景图像特征；根据像素颜色值，计算像素属于目标高斯混合模型的概率密度，将可能的目标像素重标记为目标像素和背景像素，进一步包括：根据像素颜色值，计算像素属于目标高斯混合模型的概率密度p 0 ，属于背景高斯混合模型的概率密度p 1 ；如果p 0 <p 1 ，且像素标记为可能的目标像素，则将像素重标记为可能的背景像素；如果p 0 >p 1 ，且像素标记为可能的目标像素，则将像素重标记为目标像素。
