1.一种非合作式机场场面运行目标感知与跟踪方法，其特征在于，包括以下步骤：S1，获取待处理视频；S2，计算得到所述待处理视频的瞬时灰度拉普拉斯逼近，并根据所述瞬时灰度拉普拉斯逼近计算得到所述待处理视频的帧间瞬时灰度，进而得到运动目标的样本集合；S3，利用光流密度聚类对所述运动目标的样本集合进行像素点凝聚，得到凝聚结果；所述凝聚结果包括L个聚类；每个聚类表示一个运动目标；S4，利用L个跟踪框对L个运动目标进行一一对应标记；S5，利用跟踪算法依次对标记的L个运动目标进行实时跟踪；所述步骤S2具体包括：令cov2表示二维卷积核，对于任意时间像素值，第n-th迭代各微变量的一阶微分表示为：定义：计算得到所述待处理视频的瞬时灰度拉普拉斯逼近为：根据所述第n-th迭代各微变量的一阶微分和所述瞬时灰度拉普拉斯逼近可得瞬时灰度为：根据所述帧间瞬时灰度可得运动目标的样本集合为： length表示维度算子；其中，Q(ξ，η，t)表示坐标(ξ，η)在任意时间像素值；α，β分别为x轴和y轴的瞬时灰度， 表示为拉普拉斯算子，λ为平滑因子，radius表示凝聚半径，Γ为最小凝聚像素，Alpha表示横坐标比例因子。
2.根据权利要求1所述的一种非合作式机场场面运行目标感知与跟踪方法，其特征在于，所述步骤S3具体包括：利用基于密度的聚类算法完成像素点凝聚：其中，Density-Forming为凝聚算子，L为聚类数目，每个聚类表示一个运动目标； 表示每个聚类簇内各个点迹坐标。
3.根据权利要求2所述的一种非合作式机场场面运行目标感知与跟踪方法，其特征在于，所述步骤S4具体包括：定义跟踪坐标为：Framel＝[IndexYB，IndexXB，IndexXA，IndexYA]其中， 表示对比 中所有点迹纵坐标，取最大值； 表示对比 中所有点迹纵坐标，取最小值； 表示对比 中所有点迹横坐标，取最大值； 表示对比 中所有点迹横坐标，取最小值；记录所有跟踪框顶点坐标：Rect＝{Frame 1 ，Frame 2 …Frame L }生成跟踪框Initstate矩阵：Initstate＝[Rect(：，1))，Rect((：，2)，Rect(：，4)，Rect(：，1)，Rect(：，3)-Rect(：，2)]从而实现对L个运动目标的一一自动标记。
4.根据权利要求3所述的一种非合作式机场场面运行目标感知与跟踪方法，其特征在于，所述步骤S5具体包括：通过0-1分类器对所述L个跟踪框进行粗搜索，得到L个运动目标的粗略位置；进一步通过0-1分类器对所述粗略位置进行细搜索，得到L个运动目标的最终位置。
5.根据权利要求4所述的一种非合作式机场场面运行目标感知与跟踪方法，其特征在于，所述通过0-1分类器对所述L个跟踪框进行粗搜索，得到L个运动目标的粗略位置具体包括：粗搜索：其中， 是第t-1-th帧跟踪框Initstate矩阵；使用0-1分类器：令p(z i |y＝1)与p(z i |y＝0)分别满足高斯分布 利用0-1分类器响应最大，并利用稀疏测量矩阵提取低维特征，即对应找到max(H(Z))的追踪样本标签信息；其中，r c 为粗步长，r f 为细步长，μ是正样本搜索半径，v是负样本搜索半径，设定y∈{0，1}表示样本正负标签。
6.根据权利要求5所述的一种非合作式机场场面运行目标感知与跟踪方法，其特征在于，所述进一步通过0-1分类器对所述粗略位置进行细搜索，得到L个运动目标的最终位置具体包括：细搜索：进一步使用0-1分类器进行分类，可得到细搜索追踪正负样本标签信息，并构建以下集合：正样本集： 负样本集： 并满足(μ＜ρ＜v)。
7.根据权利要求1所述的一种非合作式机场场面运行目标感知与跟踪方法，其特征在于，所述光流密度聚类为基于Horn-Schunck的光流密度聚类。
8.根据权利要求1所述的一种非合作式机场场面运行目标感知与跟踪方法，其特征在于，所述跟踪算法为多目标快速压缩跟踪算法。
9.根据权利要求1所述的一种非合作式机场场面运行目标感知与跟踪方法，其特征在于，所述跟踪框在预设时间尺度自动更新。
