1.一种基于IOU匹配的双滤波器视频多目标跟踪方法，其特征在于，所述方法包括：步骤一：在初始时刻k＝0，当前帧目标检测集为 检测框为第i个检测框的状态向量，其中 分别表示检测框左上角横坐标、纵坐标，检测框宽、检测框高和置信度；当 时，将检测框加入存活目标集 其中h为检测框置信度阈值，m为满足条件 的检测框个数，目标框分别表示目标框的左上角横坐标、纵坐标，目标框宽、目标框高和对i

应赋值的目标标签；所述目标用l 表示，同时设置相应的伯努利i

分别表示目标l的存在概率和概率分布，且

步骤二：在k时刻，当前帧目标检测集为 进行每个目标轨迹 与检测框的IOU匹配，所述检测框为利用贪心算法贪心地选择当前帧目标检测集中与目标轨迹IOU最大的检测框步骤三：将与目标轨迹 相匹配的检测框作为目标的跟踪结果加入轨迹集并进行多伯努利参数赋值，对于未匹配到检测框的目标，进行多伯努利滤波求解，所述多伯努利滤波求解包括：目标框卷积层特征提取；对提取的卷积层特征进行滤波器训练得到不同卷积层特征对应的多个目标位置估计、对多个目标位置估计进行加权求和并扩充得到粒子集、进行多伯努利预测；

步骤四：利用目标与粒子的量测似然更新未匹配目标的多伯努利参数，对于已匹配或新生目标，直接更新伯努利参数；

步骤五：更新目标模板。

2.如权利要求1所述的一种基于IOU匹配的双滤波器视频多目标跟踪方法，其特征在于，所述进行目标轨迹与检测框的匹配方法为：a、设IOU匹配阈值为δIOU，若 且 则将当前帧第i个检j

测框加入目标l轨迹中，其中i≠j，并在检测集 中剔除检测框b、若 且 则表示检测框 没有相匹配的轨迹，此时将n+1

检测框 作为新生目标加入到目标轨迹集当中，为其赋值标签l ，n为所有轨迹总个数；同j时，对于目标l，当前帧不存在与该轨迹满足阈值δIOU的检测框；

c、若 则表示检测框 的置信度较低，将其判断为杂波，在检测集 中剔除检测框

3.如权利要求2所述的一种基于IOU匹配的双滤波器视频多目标跟踪方法，其特征在于，所述特征提取采用VGG19特征提取，包括：设当前目标框宽、高分别为M、N，扩展目标搜索区域至2M×2N；将当前目标框区域图像插值调整尺寸到224*224作为VGG19输入图像；VGG19的卷积网络中间层输出作为提取到的卷积层特征X；为了消除卷积层特征X的不连续性，将提取出的卷积特征层X乘以余弦窗口，并插值调整大小到M/8×N/8。

4.如权利要求3所述的一种基于IOU匹配的双滤波器视频多目标跟踪方法，其特征在于，所述滤波器训练过程包括：a、利用VGG19提取的卷积层特征为 其中M为特征图的宽、N为特征图的高，D为特征图通道数，X的循环变化表示为：Xm,n(m,n)∈{0,1,…,M‑1}×{0,1,…,N‑1}；

b、在滤波器训练时，需要记录特征的变换过程，将每次变换的标签Y定义为下式的高斯分布：c、采用傅里叶变换得到特征和标签在频域内的表示，即X＝F(X),Y＝F(Y)，F(*)表示傅里叶变换；相关滤波器为：其中， λ为大于等于0的规则化参数；在特征通道ds上求解模型参数:

ds i

式中，X 为卷积层特征X在特征通道ds上的特征图，X 为卷积层特征X在特征通道i上的i特征图， 为X的复共轭；⊙为Hadamard积；

d、目标跟踪过程中，被跟踪目标的搜索区域R为目标在上一帧中的位置，计算其通过VGG19传播的结果：ds

Z ＝VGG(R)，ds∈[1,2,…,D]其中，VGG(*)表示VGG19向前传播计算；

e、计算特征X对相关滤波器响应：

‑1

其中，F (*)表示傅里叶逆变换；所述S最大响应为被跟踪目标估计位置 即

5.如权利要求4所述的一种基于IOU匹配的双滤波器视频多目标跟踪方法，其特征在于，所述粒子集生成包括：分别提取的多层VGG19卷积层特征训练多个滤波器W*，通过滤波器计算的最大响应位置得到不同卷积层特征对应的多个目标位置估计，将这些目标位置估计进行加权求和并扩充得到最终粒子集。

6.如权利要求5所述的一种基于IOU匹配的双滤波器视频多目标跟踪方法，其特征在于，所述利用目标与粒子的量测似然更新未匹配目标的多伯努利参数包括：卷积特征提取，将目标框 的尺寸规范化为n×n，并转化为灰度图像，记为I，使用大小为w×w的滑动窗口,以步长Δ对目标图像进行卷积操作，得到目标图像块集合y＝{Y1,Y2,...,Yl}，其中Yi∈w×wR ，l＝(n‑w+Δ)×(n‑w+Δ)，将每个目标图像块减去自身均值并二范数归一化处理，采用o w×wk‑means算法选出d个子块 用第i个子块Fi ∈R 在图像I上做卷积操作，得到一个目标特征图

目标模板建立时，在目标附近随机平移目标框来采集num个背景样本，所述平移值大于目标框宽和高的1/4，与目标特征采集时使用同样预处理操作，使用k‑means算法选取d个特征小块，第i个背景样本的特征子块集合为 对num个背景样本得到的特征集平均池化得到背景平均特征子块集合：

将其与图像I做卷积 操作，得到背景在图像上的特征图：用目标特征图 减去背景特征图 得到能区分目标与背景的特征图集S＝{Si}i＝1,...,d，其中 将d个特征图按行展开，成为d个一维向量，并按顺序拼接，最终得到目标的卷积特征f，两个目标框的量测似然计算公式为：

其中f1,f2为对应的目标框卷积特征， 表示f的二范数。

7.如权利要求6所述的一种基于IOU匹配的双滤波器视频多目标跟踪方法，其特征在于，所述目标模板更新为：i i

其中， 为第k‑1帧目标l对应的卷积特征模板， 为第k帧目标l跟踪结果卷积特征的稀疏表示，ρ为模板的学习速率。

8.如权利要求7所述的一种基于IOU匹配的双滤波器视频多目标跟踪方法，其特征在j于，若目标l的模板未建立，则提取目标特征建立目标模板，利用该目标轨迹建立该轨迹目标模板，所述目标模板由所述提取的卷积特征表示。

9.权利要求1‑8任一项所述的一种基于IOU匹配的双滤波器视频多目标跟踪方法，其特征在于，所述方法用于行人、车辆跟踪。