1.一种目标跟踪方法，其特征在于，包括：

获取对应同一场景的多张场景图像；

对所述多张场景图像中的每张场景图像进行特征提取处理以及目标部位检测，得到所述每张场景图像的特征信息以及所述每张场景图像上的多个目标部位的位置；

获取所述每张场景图像的特征信息中与所述多个目标部位的位置分别对应的目标特征信息；

根据获取的所述多个目标部位的位置分别对应的目标特征信息，确定出现在所述多张场景图像上的多个相同的目标；

其中，所述对所述多张场景图像中的每张场景图像进行特征提取处理以及目标部位检测，得到所述每张场景图像的特征信息以及所述每张场景图像上的多个目标部位的位置，包括：提取所述多张场景图像中的每张场景图像的第一特征图；

在所述每张场景图像的第一特征图上进行目标部位检测，得到所述每张场景图像上的多个目标部位的位置；以及，对所述每张场景图像的第一特征图进行特征提取处理，得到多维度的第二特征图；

所述获取所述每张场景图像的特征信息中与所述多个目标部位的位置分别对应的目标特征信息，包括：在所述多维度的第二特征图上获取与所述多个目标部位的位置分别对应的目标特征向量。

2.根据权利要求1所述的方法，其特征在于，所述根据获取的所述多个目标部位的位置分别对应的目标特征信息，确定出现在所述多张场景图像上的多个相同的目标，包括：利用所述多张场景图像上每相邻两张场景图像分别对应的所述多个目标特征信息，得到所述每相邻两张场景图像上各个目标部位之间的相似度；

基于所述每相邻两张场景图像上各个目标部位之间的相似度，确定出现在不同场景图像上的多个相同的目标。

3.根据权利要求2所述的方法，其特征在于，所述每相邻两张场景图像为第一场景图像和第二场景图像；

所述利用所述多张场景图像上每相邻两张场景图像分别对应的所述多个目标特征信息，得到所述每相邻两张场景图像上各个目标部位之间的相似度，包括：确定第一场景图像上的N个目标特征向量分别与第二场景图像上的M个目标特征向量之间的相似度；其中，N和M为大于等于2的正整数；

根据所述第一场景图像上的N个目标特征向量分别与所述第二场景图像上的M个目标特征向量之间的所述相似度值，得到N×M维度的相似度矩阵，所述相似度矩阵中任一维度的值表示所述第一场景图像的任一第一目标部位与所述第二场景图像中的任一第二目标部位的相似度。

4.根据权利要求3所述的方法，其特征在于，所述基于所述每相邻两张场景图像上各个目标部位之间的相似度，确定出现在所述不同场景图像上的多个相同的目标，包括：根据所述相似度矩阵，在所述N个目标特征向量中的第一目标特征向量分别与所述M个目标特征向量之间的相似度中，确定相似度最大值；

若所述相似度最大值大于预设阈值，则在所述M个目标特征向量中确定所述相似度最大值对应的第二目标特征向量；

将所述第一场景图像上所述第一目标特征向量对应的第一目标部位所属目标和所述第二场景图像上第二目标特征向量对应的第二目标部位所属目标，作为相同的目标。

5.根据权利要求1‑4任一项所述的方法，其特征在于，所述对所述多张场景图像中的每张场景图像进行特征提取处理以及目标部位检测，得到所述每张场景图像的特征信息以及所述每张场景图像上的多个目标部位的位置，包括：通过特征检测模型的骨干网络提取所述多张场景图像中的每张场景图像的第一特征图；

通过所述特征检测模型的部位检测分支，在所述每张场景图像的第一特征图上进行目标部位检测，得到所述每张场景图像上的多个目标部位的位置；以及，通过所述特征检测模型的特征提取分支，对所述每张场景图像的第一特征图进行特征提取处理，得到多维度的第二特征图。

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：

将对应同一场景的多张样本场景图像输入初始神经网络模型，获得所述初始神经网络模型输出的每张样本场景图像上多个目标部位的位置分别对应的样本特征向量；

根据所述每张样本场景图像上已标注的多个目标部位分别所属的目标标识，在每相邻两张样本场景图像上，确定相同的所述目标标识的所述目标部位的位置对应的所述样本特征向量之间的第一相似度，和/或确定不同的所述目标标识的所述目标部位的位置对应的所述样本特征向量之间的第二相似度；

以所述每张样本场景图像上已标注的多个目标部位分别所属的目标标识为监督，根据所述第一相似度和所述第二相似度中的至少一项，对所述初始神经网络模型进行训练，得到所述特征检测模型。

7.根据权利要求6所述的方法，其特征在于，所述以所述每张样本场景图像上已标注的多个目标部位分别所属的目标标识为监督，根据所述第一相似度和所述第二相似度中的至少一项，对所述初始神经网络模型进行训练，得到所述特征检测模型，包括：将第一相似度参考值与所述第一相似度之间的差值作为第一损失函数；其中，所述第一相似度参考值是所述每两张样本场景图像上已标注的相同的目标标识的目标部位所对应的样本特征向量之间的相似度参考值；

将第二相似度参考值与所述第二相似度之间的差值作为第二损失函数；其中，所述第二相似度参考值是所述每两张样本场景图像上已标注的不同的目标标识的目标部位所对应的样本特征向量之间的相似度参考值；

根据所述第一损失函数和所述第二损失函数中的至少一项，对所述初始神经网络模型进行训练，得到所述特征检测模型。

8.根据权利要求1‑4任一项所述的方法，其特征在于，所述方法还包括：确定出现在所述多个场景图像上的多个相同的目标中的至少一个目标在预设时间段内的运动轨迹是否符合目标运动轨迹。

9.根据权利要求8所述的方法，其特征在于，所述多张场景图像对应教室场景，所述目标包括教学对象，所述目标运动轨迹包括教学任务中对所述教学对象指定的至少一种运动轨迹。

10.一种目标跟踪装置，其特征在于，所述装置包括：

获取模块，用于获取对应同一场景的多张场景图像；

处理模块，用于对所述多张场景图像中的每张场景图像进行特征提取处理以及目标部位检测，得到所述每张场景图像的特征信息以及所述每张场景图像上的多个目标部位的位置；

特征信息确定模块，用于获取所述每张场景图像的特征信息中与所述多个目标部位的位置分别对应的目标特征信息；

目标确定模块，用于根据获取的所述多个目标部位的位置分别对应的目标特征信息，确定出现在所述多张场景图像上的多个相同的目标；

其中，所述处理模块包括：

第一处理子模块，用于提取所述多张场景图像中的每张场景图像的第一特征图；

第二处理子模块，用于在所述每张场景图像的第一特征图上进行目标部位检测，得到所述每张场景图像上的多个目标部位的位置；以及，对所述每张场景图像的第一特征图进行特征提取处理，得到多维度的第二特征图；

所述特征信息确定模块包括：

特征向量确定子模块，用于在所述多维度的第二特征图上获取与所述多个目标部位的位置分别对应的目标特征向量。

11.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1‑9任一所述的目标跟踪方法。

12.一种目标跟踪装置，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器中存储的可执行指令，实现权利要求1‑9中任一项所述的目标跟踪方法。