1.一种单摄像头多目标行人跟踪方法，其特征在于，所述方法包括以下步骤：S1，利用安装于监控区域的摄像头采集行人视频图像，采用双三次插值算法调整视频图像大小；

S2，将调整后的行人视频图像输入到经训练后的改进的YoloV4‑Tiny行人检测网络，得到每一帧的行人检测结果；

所述步骤S2的过程为：

截取VOC2007中包含行人部分的数据集，并去除图片中非行人部分的标注框得到用于训练的数据集；

采用FCM算法对数据集进行候选框聚类，并将得到的6个候选框输入YoloV4‑Tiny网络中用于检测模型的训练；

将YoloV4‑Tiny中的轻量级激活函数由LeakyReLU改进为无上界有下界、平滑、非单调的hard‑swish激活函数，以及将特征融合模块由FPN改进为自适应的ASFF模块；

采用Mosaic算法对数据集进行数据扩展，然后将扩展后的数据集放入YoloV4‑Tiny网络中，并采用模拟余弦退火算法控制学习率进行训练，得到训练好的检测模型；

利用训练好的检测模型对处理后的视频图像中的所有行人目标进行检测；

S3，采用分箱法去除YoloV4‑Tiny检测到的异常行人检测框；

S4，采用改进后的DeepSort算法对单摄像头下检测到的所有行人目标的跟踪，并记录行人入场、出场时间以及轨迹；

所述步骤S4的过程为：

使用卡尔曼滤波器对YoloV4‑Tiny模型获取到的当前帧检测结果进行预测，得到下一帧的人物运动信息，并利用训练好的深度特征网络计算当前帧中所有人物的128维深度特征信息；

将DeepSort算法中计算深度特征余弦距离的算法由求当前检测框中人物的128维深度特征信息与跟踪器库中人物的128维深度特征信息之间的最小余弦距离改进为求检测框中人物的128维深度特征信息与跟踪器库中最近添加的人物的128维深度特征信息的余弦距离与最小余弦距离之间的平均值；

利用基于外观信息的马氏距离计算所有跟踪器和检测结果之间的代价矩阵，然后相继进行级联匹配和IOU匹配，最后得到当前帧的所有匹配对、未匹配的跟踪器以及未匹配的检测结果；

记录每个匹配成功的跟踪器的轨迹，用其对应的检测结果更新卡尔曼滤波器，当跟踪器匹配成功次数等于3时，记录该跟踪器所代表的行人编号以及此刻时间，并处理未匹配的跟踪器和检测结果，当跟踪器未匹配次数大于20时，记录该跟踪器所代表的行人编号以及此刻时间；

S5，采用基于行人未匹配帧数和预测位置的矫正算法，矫正异常消失的行人目标。

2.如权利要求1所述的一种单摄像头多目标行人跟踪方法，其特征在于，所述步骤S1的过程为：将摄像头固定安装于监控区域，确保能够完整拍摄到行人正常活动的区域，同时尽可能避免重叠视角；

根据计算机硬件情况及检测帧率的要求，将摄像头的拍摄帧率进行调整；

对摄像头拍摄到的视频图像采用双三次插值算法调整到416*416大小。

3.如权利要求1或2所述的一种单摄像头多目标行人跟踪方法，其特征在于，所述步骤S3的过程为：将检测到的视频图像中的所有行人目标按其在图片上的位置等间距划分为3*3共9类，每类记录1000个行人目标检测框；

采用分箱法分别对每类检测框进行计算，得到各类检测框宽高的最大阈值和最小阈值；

去除检测到的行人检测框宽或高大于对应最大阈值或小于对应最小阈值的部分。

4.如权利要求1或2所述的一种单摄像头多目标行人跟踪方法，其特征在于，所述步骤S5的过程为：记录未成功匹配达到10帧的跟踪器Tmiss及其预测的行人位置 和代表的行人编号同时记录当前帧中小于5帧未成功匹配的跟踪器且该跟踪器预测的位置与 之间的欧式距离大于所设阈值，记为当所记录的Tmiss未成功匹配帧数达到20时，开始计算后续帧中满足未成功匹配帧数小于3且代表的行人编号不在 中的跟踪器所预测的位置与 之间的欧式距离；

若计算得到的欧式距离小于阈值且该跟踪器所代表的行人编号不在 中，则将该跟踪器编号替换为已经确定消失的跟踪器Tmiss所代表的行人编号 反之则将Tmiss未成功匹配次数加1，当未成功匹配次数达到35时，不再对该跟踪器Tmiss进行匹配。