1.一种基于置信度优化的在线多目标跟踪方法，其特征在于，以轨迹对应的检测置信度和匹配成本为参数，基于指数移动平均值逐帧迭代地更新轨迹置信度，并结合轨迹和轨迹置信度构建置信度权重矩阵，对相似度矩阵进行加权优化，具体包括以下步骤：步骤1，向检测器输入当前帧，检测器输出所有跟踪目标的检测包围框；

步骤2，通过卡尔曼滤波器预测上一帧所有轨迹包围框在当前帧时刻的状态；

步骤3，计算参与首次关联对象间的IOU距离，得出相似度矩阵Ufirst，并构造置信度权重矩阵Wfirst，利用Wfirst与Ufirst求范德蒙德积对Ufirst进行加权优化，再利用匈牙利算法求得匹配关系，其中 为所有检测的置信度向量，为所有激活轨迹的置信度向量；

参与首次关联对象包括所有检测包围框和激活轨迹，激活轨迹包含正常匹配轨迹和丢失轨迹；

步骤4，计算参与二次关联对象间的IOU距离，得出相似度矩阵Usecond，并构造置信度权重矩阵Wsecond，利用Wsecond与Usecond求范德蒙德积对Usecond进行加权优化，再利用匈牙利算法求得匹配关系，其中 ι为一个1×m的单位行向量；

参与二次关联对象包括新轨迹、首次关联中未匹配的正常轨迹和首次关联中未匹配的检测；

步骤5，依据两次关联过程得出的检测与轨迹间的匹配关系，进行轨迹管理，得出当前帧的轨迹，并基于指数移动平均值迭代更新轨迹置信度。

2.根据权利要求1所述的基于置信度优化的在线多目标跟踪方法，其特征在于，基于指数移动平均值建模轨迹置信度，即轨迹对应的检测置信度其中， 为检测置信度， 表示第k帧检测框i与轨迹j预测框之间的IOU距离，为轨迹j的初始帧。

3.根据权利要求1所述的基于置信度优化的在线多目标跟踪方法，其特征在于，首次关联的问题模型为其中，gij为门限控制系数且 εfirst为首次关

联的最大成本阈值，aij是二进制数，aij＝1表示检测i与轨迹j关联，aij＝0则表示检测i与轨迹j无关。

4.根据权利要求1所述的基于置信度优化的在线多目标跟踪方法，其特征在于，二次关联的问题模型为其中，gij为门限控制系数且 εsecond为二次关

联的最大成本阈值，aij是二进制数，aij＝1表示检测i与轨迹j关联，aij＝0则表示检测i与轨迹j无关。

5.根据权利要求1所述的基于置信度优化的在线多目标跟踪方法，其特征在于，轨迹管理包括以下步骤：(1)生成新轨迹：对于经历二次关联的未匹配检测，高于置信度门限 的检测全部转为新轨迹，低于置信度门限 的检测全部删除；

(2)消除非激活轨迹：为丢失轨迹设置一段缓冲期，位于缓冲期内的轨迹参与首次关联，以从丢失状态中恢复ID，若丢失轨迹超过缓冲期后仍未恢复ID，则状态转为非激活，不再参与关联；

(3)更新轨迹状态：对于参与关联的轨迹，根据 和 更新所有轨迹的状态，具体操作为：对于连续关联的正常轨迹，继续保持；对于连续2帧匹配成功的新轨迹，将其转为正常轨迹；对于位于缓冲期内的未匹配轨迹，将其转为丢失轨迹；对于从丢失状态中恢复过来的轨迹，将其转为重新找回轨迹。

6.一种在线多目标跟踪器，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现权利要求

1‑5任意一项所述的基于置信度优化的在线多目标跟踪方法。

7.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序可被处理器执行以实现权利要求1‑5任意一项所述的基于置信度优化的在线多目标跟踪方法的各个步骤。