1.一种基于多模板学习的井下跨视域目标检测跟踪方法，其特征在于，包括如下步骤：S10，采用初始模板对当前视域拍摄得到的当前帧图像进行相关滤波器跟踪处理，得到第一响应图；所述初始模板为依据目标样本集确定的模板；

S20，采用过程模板对所述当前帧图像进行相关滤波器跟踪处理，得到第二响应图；所述过程模板为依据各个视域中的跟踪对象确定的模板；

S30，对所述第一响应图和所述第二响应图进行线性加权处理，得到最终响应图；

S40，将所述最终响应图中响应值最大的位置确定为跟踪目标的目标位置。

2.根据权利要求1所述的基于多模板学习的井下跨视域目标检测跟踪方法，其特征在于，在所述采用初始模板对当前视域拍摄得到的当前帧图像进行相关滤波器跟踪处理，得到第一响应图之前，还包括：检测第一视域的第一候选框中各个第一跟踪对象分别属于目标样本集中各个样本的概率，根据概率最大值对应的样本标签确定各个第一跟踪对象的第一对象标签；

在所述第一跟踪对象移出当前视域时，获取所述第二视域的第二候选框中各个候选目标的特征向量，根据所述特征向量和目标模板在所述各个候选目标中选取第二跟踪对象，并识别所述第二跟踪对象的第二对象标签；所述第二跟踪对象与目标模板之间的相似度超过相似度阈值；所述目标模板为上一个视域中的各个跟踪对象；所述第二视域为在第一跟踪对象移出当前视域后，出现第一跟踪对象的一个视域；

根据所述目标样本集确定初始模板，根据所述各个第一跟踪对象、所述各个第一跟踪对象对应的第一对象标签、所述各个第二跟踪对象、所述各个第二跟踪对象对应的第二对象标签生成过程模板。

3.根据权利要求2所述的基于多模板学习的井下跨视域目标检测跟踪方法，其特征在于，所述目标样本集包括有标签目标样本集和无标签目标样本集；

所述根据所述目标样本集确定初始模板包括：

将所述有标签目标样本集中未匹配到第一跟踪对象的样本移至所述无标签目标样本集；

根据所述有标签目标样本集和所述无标签目标样本集确定初始模板。

4.根据权利要求3所述的基于多模板学习的井下跨视域目标跟踪方法，其特征在于，所述第一视域的第一候选框中各个第一跟踪对象分别属于目标样本集中各个样本的概率的计算公式包括：其中， 表示第一候选框x与有标签目标样本的

余弦相似度，λ表示控制概率分布的平缓程度，li,i＝1,…,Nl表示有标签目标样本集的第i个标签样本的特征向量，Nl为无标签目标样本集的目标标签总数，uk,k＝1,…,NU表示无标签目标样本集的第i个标签样本的特征向量，NU为无标签目标样本集的目标标签总数。

5.根据权利要求2所述的基于多模板学习的井下跨视域目标检测跟踪方法，其特征在于，所述根据所述特征向量和目标模板在所述各个候选目标中选取第二跟踪对象包括：将包括各个候选目标的特征向量的向量集合代入相似度计算公式计算各个候选目标分别与各个目标模板的相似度，将大于所述相似度阈值的相似度对应的候选目标确定为第二跟踪对象。

6.根据权利要求5所述的基于多模板学习的井下跨视域目标检测跟踪方法，其特征在于，所述相似度计算公式包括：其中，t表示不同视角的第一跟踪对象所组成的集合，ti为目标模板在第i个视角的特征向量，T为候选目标的特征向量的集合，likehood(t,T)表示t与T之间的相似度，cos(ti,T)表示ti与T之间的余弦相似度。

7.根据权利要求1至6任一项所述的基于多模板学习的井下跨视域目标检测跟踪方法，其特征在于，所述线性加权处理的公式包括：f'＝γ1f1+γ2f2，

其中，f'表示最终响应图，f1表示第一响应图，f2表示第二响应图，γ1表示第一权值，γ2表示第二权值。

8.根据权利要求1至6任一项所述的基于多模板学习的井下跨视域目标检测跟踪方法，其特征在于，还包括：获取跟踪目标在当前帧图像中的目标位置；

获取跟踪目标在上一帧图像中的位置，得到参考位置；

计算所述目标位置和参考位置之间的偏移量；

若所述偏移量大于所述偏移量阈值，则判定当前目标跟踪失败。

9.根据权利要求1至6任一项所述的基于多模板学习的井下跨视域目标检测跟踪方法，其特征在于，还包括：获取相关滤波器的当前滤波器参数，根据所述当前滤波器参数更新所述相关滤波器针对下一帧图像进行目标跟踪过程中的滤波器参数。