1.一种在线多示例学习目标跟踪方法，其特征在于：包括如下过程：S1：初始正包和负包中示例的选取：选取两组视频帧图像块，分别作为初始正包和负包 其中||·||表示欧式距离，γ和β是距离中心点的半径，x表示图像块，d(x)表示图像块的位置， 表示t时刻目标的位置，s是跟踪器的搜索半径；

S2：计算初始正包中每个示例的相关相似度：根据正包中每个示例与目标模板的相似程度来计算其相关相似度，具体为：S21：将包Xi中每个示例进行归一化，任意两个图像块xij、xik的相似度被计算为：S(xij,xik)＝0.5(NCC(xij,xik)+1)，其中NCC为归一化互相关系数；

S22：计算正包中每个示例的正样本最近邻相似度，计算公式为：以及负样本最近邻相似度，计算公式为：

其中E定义为：对于任意给定一个包中示例xij，我们构建一个目标模型，它是一些包中示例的集合 假设当前帧为第t帧，则x11到 是从第1帧到第t-1帧跟踪到的目标样本，x01到 是第t-1帧的负包中的示例；

S23：计算正包中每个示例的相关相似度，计算公式为：S3：对初始正包进行筛选：将初始正包中与目标模板相关相似度低于某个阈值的示例筛除，得到筛选后的正包；

S4：更新弱分类器：利用S3中筛选后的正包和S1中负包中的示例更新所有的弱分类器；

S5：为筛选后的正包和负包中的示例赋予相应的权重值：将S2中计算得到的相关相似度作为筛选后的正包中示例的权重；为负包中每个示例赋予一个给定的权重值w；

S6：对包概率进行加权：利用筛选后的正包与负包中示例的权重来对示例概率进行加权，进一步估计包概率；

S7：获得最优弱分类器：计算包的对数似然函数，并通过最大化包的对数似然函数获得最优弱分类器；

S8：集成强分类器并输出：重复步骤S6-S7，选出最优的K个弱分类器集成为强分类器，并利用该强分类器找到搜索区域中响应值最大的样本作为跟踪目标。

2.如权利要求1所述的在线多示例学习目标跟踪方法，其特征在于：S3中，如Sr(x1j,E)≥θ，其中θ为给定的某个阈值，则图像块x1j被筛选进新的正包，并计算它的特征向量，作为筛选后的正包中的示例。

3.如权利要求2所述的在线多示例学习目标跟踪方法，其特征在于：S5中，正包中每个示例的权重被定义为w1j＝Sr(x1j,E)。

4.如权利要求3所述的在线多示例学习目标跟踪方法，其特征在于：S6中，设i＝1表示正包，i＝0表示负包，正包和负包中的示例概率的计算公式为：正包的包概率的加权计算公式为：

负包的包概率的加权计算公式为：

5.如权利要求4所述的在线多示例学习目标跟踪方法，其特征在于：S7中，包的对数似然函数计算公式为： 通过最大化包的对数似然函数求得最优的弱分类器，即 其中Hk-1是前k-1次迭代后集成的强分类器。

6.如权利要求5所述的在线多示例学习目标跟踪方法，其特征在于：S8中，强分类器的计算公式为：

7.一种在线多示例学习目标跟踪终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-6任一所述方法的步骤。

8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-6任一所述方法的步骤。