1.一种路侧视角多目标跟踪方法，其特征在于，所述方法包括下述步骤：S100、对待检测数据集中的每一帧图像进行目标检测，获取每个目标中心点位置；

S200、基于目标中心点位置，计算一帧图像上两两目标之间的欧式距离，依次取出距离最小的两个目标组成一个对象；若剩下1个目标，则将该目标作为一个对象；

S300、获取第一帧待检测图像上的对象，将其作为第一对象；

S400、为第一对象建立轨迹集合，集合中的每个元素包括位置信息；

S500、判断是否存在下一帧图像；如果存在下一帧图像，则利用卡尔曼滤波器模型，预测第一对象在下一帧图像上的位置，执行步骤S600；

S600、获取下一帧图像上的对象，将其作为第二对象，对每个第一对象，计算预测位置上第二对象所占面积与每个实际位置上第二对象所占面积的交并比；将取得最大交并比的第二对象，作为这个第一对象的待匹配对象；

S700、对待匹配对象进行外观匹配，若成功匹配，更新第一对象对应的轨迹；

S800、将没有被匹配的第二对象，更新为第一对象，返回步骤S400。

2.根据权利要求1所述的方法，其特征在于，所述目标检测包括下述步骤：S110、利用轻量化目标检测网络获取每个目标的置信度、目标种类概率；

S111、基于每个目标的置信度、目标种类概率，计算每个目标的置信度分数；

S112、对高于第一阈值的置信度分数，将其对应目标进行保留，并保留相应的目标状态向量和外观特征；

所述目标的状态向量表示为：

其中：xc为目标中心点的横坐标；，yc为目标中心点纵坐标；w为目标包围框的宽；h为目标包围框的高； 为目标在横轴方向上的移动速度，初始值为0； 为目标在横轴方向上的移动速度，初始值为0： 为目标的宽变化率，初始值为0；为目标的高变化率，初始值为0。

3.根据权利要求2所述的方法，其特征在于，所述轻量化目标检测网络通过下述步骤获得学习训练的数据集：S101、获取真实道路交通视频图像，对每一帧图像进行手工标注；

S102、将手工标注后的图像和现有的标注多目标跟踪数据集进行混合；

S103、对混合数据集中的图像统一数据格式，并进行数据增强，得到待检测数据集；

所述数据增强通过随机裁剪、多尺度缩放、仿射变换、反转中的任一待操作或多个操作组合实现。

4.根据权利要求2所述的方法，其特征在于，所述轻量化目标检测网络采用DLA34网络结构为主干网络，DLA34网络结构中的Block块中采用Ghost模块。

5.根据权利要求4所述的方法，其特征在于，所述DLA34网络结构采用Mish函数防止梯度消失。

6.根据权利要求2所述的方法，其特征在于，所述外观匹配包括下述步骤：S701、对待匹配对象，计算其与跟踪器上存储的第一设定数目的对象的外观特征的余弦距离矩阵；所述跟踪器为每个对象创建一个存储库，用于存储该目标中不同帧的外观特征；

S702、对待匹配对象，计算其通过卡尔曼滤波预测位置与检测位置之间的马氏距离矩阵；

S703、将余弦距离矩阵和马氏距离矩阵输入匈牙利算法，返回卡尔曼滤波预测得到的轨迹和待匹配对象的匹配结果。

7.根据权利要求1所述的方法，其特征在于，所述S700还包括下述步骤：S7001、获取当前第一对象已成功匹配的图像帧数；

S7002、若已成功匹配的图像帧数达到第三设定数目，则停止对该对象的检测与跟踪。

8.根据权利要求1所述的方法，其特征在于，所述S800在返回步骤S400之前，还包括下述步骤：S801、对当前没有匹配成功的第一对象，获取对其已进行预测过的总图像帧数；

S802、当总图像帧数达到第二设定数目仍未成功匹配时；

S803、判断该对象是否有两个目标，若是，则将该对象中的每个目标作为一个第一对象；否则，停止对该对象的检测与跟踪。