1.一种基于改进vibe+算法的运动目标背景分割方法，其特征在于，所述方法包括：
（1）获取目标监控视频；
（2）对于所述目标监控视频中的每帧视频图像，采用vibe+运动目标分割算法对所述视频图像进行图像分割得到所述视频图像的二值化图像，再采用基于区域生长的连通域标记法对所述二值化图像中各个连通区域依次进行区域标记，根据各个连通区域的面积数值大小确定面积筛选阈值，对于所述二值化图像中经区域标记处理的每个连通区域，将所述二值化图像中像素值为1的区块面积低于所述面积筛选阈值的连通区域进行删除，得到去噪点分割处理后的二值化图像；
（3）对于所述目标监控视频中的每帧视频图像，根据改进meanshift聚类算法与碎片化卷积神经网络的融合算法，对所述视频图像中的拖影区块、非拖影区块和拖影边缘区块进行分类识别，并获取各个拖影区块在所述视频图像所对应去噪点分割处理后二值化图像的拖影位置坐标，将所述二值化图像中各个拖影位置坐标所对应像素点的像素值确定为0，得到去拖影分割后的二值化图像；
（4）对于去拖影分割后的每个二值化图像，计算所述二值化图像上下左右四个极值点坐标，在所述二值化图像所对应视频图像中根据所述四个极值点坐标确定运动目标图像，实现对所述目标监控视频中运动目标背景的分割。
2.根据权利要求1所述的方法，其特征在于，步骤（2）中所述采用基于区域生长的连通域标记法对所述二值化图像中各个连通区域依次进行区域标记，包括：
对于所述二值化图像中的每个像素点，遍历所述像素点周围八邻域内的面积子区块；
当检测到存在相邻像素点周围八邻域内的面积子区块与所述像素点周围八邻域内的面积子区块相连通时，将所述像素点周围八邻域内的面积子区块与各个相邻像素点周围八邻域内的面积子区块共同确定为连通区域；
按照连通区域的确定先后顺序，对各个连通区域依次进行区域标记。
3.根据权利要求1所述的方法，其特征在于，步骤（2）中所述根据各个连通区域的面积数值大小确定面积筛选阈值，包括：
计算各个连通区域的面积数值；
将各个连通区域的面积数值存入向量vec1中；
将向量vec1中的各个面积数值按照从大到小的顺序依次排列，依次计算各相邻面积数值之间的面积差值，并将各个面积差值存入向量vec2中；
确定向量vec2中最大的面积差值所对应的二个面积数值，将所述二个面积数值的平均值确定为面积筛选阈值。
4.根据权利要求1所述的方法，其特征在于，所述改进meanshift聚类算法包括：
在meanshift聚类算法中引入线性核函数、多项式核函数、高斯核函数、多元二次核函数和sigmoid核函数的均值组合模式共同对视频图像进行聚类计算，得到所述视频图像对应的各个区域块图像。
5.根据权利要求1所述的方法，其特征在于，所述对于所述目标监控视频中的每帧视频图像，根据改进meanshift聚类算法与碎片化卷积神经网络的融合算法，对所述视频图像中的拖影区块、非拖影区块和拖影边缘区块进行分类识别，包括：
对于所述目标监控视频中的每帧视频图像，采用改进meanshift聚类算法对所述视频图像进行聚类，得到各个区域块图像；
提取所述视频图像所对应各个区域块图像在l*a*b颜色空间的颜色直方图，以及纹理特征texton特征直方图，根据各个区域块图像对应的颜色直方图和纹理特征texton特征直方图训练支持向量机分类器，生成得到所述视频图像所对应的阴影先验分布图；
采用碎片化卷积神经网络对所述视频图像所对应阴影先验分布图中各个区域块图像进行计算，分别得到所述视频图像所对应各个区域块图像的拖影概率预测值，所述碎片化卷积神经网络包括六个卷积层、两个池化层和一个全连接类别输出层，所述碎片化卷积神经网络的输入数据为32×32区块的区域块图像，输出数据为区域块图像为拖影的拖影概率预测值；
将所述视频图像中拖影概率预测值大于预设概率预测值的区域块图像识别为拖影区块。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
对于每帧视频图像，采用约束函数获取所述视频图像所对应各个区域块图像中的拖影边缘区块，所述约束函数的表达式为：
其中，m为分割区块的数量，α为固定常数项，r(s)表示所包含的区块之间的边界像素集合；
采用所述碎片化卷积神经网络对所述视频图像所对应各个拖影边缘区块进行计算，分别得到各个拖影边缘区块的拖影概率预测值；
将所述视频图像中拖影概率预测值大于预设概率预测值的拖影边缘区块识别为拖影区块。
7.根据权利要求5所述的方法，其特征在于，所述方法还包括：
构建碎片化卷积神经网络，以各个训练样本图像所对应原始rgb图像和阴影先验分布图作为训练数据获取源，采用拖影区块、非拖影区块、拖影边缘区块作为三种训练图像类型，对所述碎片化卷积神经网络进行训练，得到训练后的碎片化卷积神经网络。