1.一种适于高速公路监控视频下的车辆行驶轨迹提取方法，其特征在于，包括以下步骤：S1.改进联合检测跟踪模型CenterTrack的网络结构，给CenterTrack模型添加Centerness分支；

S1.1将当前帧图像、前一帧图像以及前一帧图像的热图输入到车辆目标跟踪网络CenterTrack中，得到共享特征图；

S1.2对步骤S1.1得到的共享特征图进行3×3卷积，然后进行批量归一化处理和ReLU激活，最终得到边界框预测分支输出的特征图和Centerness分支输出的特征图；

S1.3将边界框预测分支输出的特征图和Centerness分支输出的特征图进行点乘，得到加权后的边界框预测特征图；

S2.对步骤S1改进后的CenterTrack模型作进一步改进，给CenterTrack模型添加车辆重识别输出分支；

S2.1取消CenterTrack联合检测跟踪框架原有的用于预测目标中心点偏移值的“Displacement”分支；

S2.2设计重识别网络；

S2.3将步骤S2.2设计好的重识别网络作为跟踪模型的一个输出分支，对跟踪模型进行检测分支与重识别分支的联合训练；

S3.设计级联的车辆目标匹配算法；

S4.从收集的数据集中选出训练集，对步骤S2改进后的联合检测跟踪模型进行训练；

S5.使用训练模型对高速公路监控视频下的车辆目标进行检测与跟踪，从而提取车辆目标的行驶轨迹。

2.根据权利要求1所述的一种适于高速公路监控视频下的车辆行驶轨迹提取方法，其特征在于，所述步骤S3包括以下子步骤：S3.1输入当前帧的检测结果、上一帧的跟踪轨迹和上一帧跟踪丢失的轨迹，利用车辆目标的重识别特征进行匹配；轨迹匹配成功，更新轨迹的重识别特征和边界框信息；轨迹匹配不成功，使用IoU匹配算法进行二次匹配，二次匹配成功后，更新这些轨迹的重识别特征和边界框信息；

S3.2对二次匹配未成功的检测结果，进行轨迹初始化；对于二次匹配未成功的轨迹，丢弃跟踪失败长度超过阈值的轨迹，剩余轨迹为当前帧跟踪丢失的轨迹。

3.根据权利要求1所述的一种适于高速公路监控视频下的车辆行驶轨迹提取方法，其特征在于，所述步骤S4包括以下子步骤：S4.1通过训练集生成当前帧图像、前一帧图像以及前一帧图像的热图，所述当前帧图像、前一帧图像以及前一帧图像的热图为步骤S2改进后的车辆目标跟踪网络的输入；

S4.2通过练集生成当前帧图像的热图、偏移特征图、跟踪向量和边界框回归特征图，所述当前帧图像的热图、偏移特征图、跟踪向量和边界框回归特征图为步骤S2改进后的跟踪模型的真实输出；

S4.3根据步骤S2改进后的跟踪模型的预测输出与真实输出计算出模型的损失值，使用Adam优化器进行训练，之后得到并保存跟踪模型的权重。

4.根据权利要求1所述的一种适于高速公路监控视频下的车辆行驶轨迹提取方法，其特征在于，所述步骤S5包括以下子步骤：S5.1使用步骤S2改进后的车辆跟踪模型，将步骤S4得到的模型权重加载到步骤2改进后的车辆跟踪模型中，搭建出最终用于检测和跟踪的网络模型；

S5.2用步骤S5.1搭建的最终网络模型，对输入的监控视频流数据进行车辆目标检测与跟踪。