1.一种基于特征解耦融合网络的多目标跟踪方法，其特征在于，该方法包括如下步骤：步骤1，对多行人目标视频数据集预处理，将数据集每一帧输入基于DLA‑34构建的骨干网络学习多尺度特征；

步骤2，将多尺度特征输入检测分支进行特征融合，特征融合方法采用自下而上的融合方法，以获得目标位置信息；

步骤3，将多尺度特征送入Re‑ID分支进行特征融合，采用自上而下的方法来融合特征图，以获得目标外观特征信息；

步骤4，基于步骤2和步骤3提取到的目标位置信息和外观特征信息，利用自适应加权融合策略计算得到关联代价矩阵，采用匈牙利算法基于代价矩阵得到目标初步关联跟踪结果；

步骤5，利用每帧跟踪结果构建目标跟踪轨迹，依据轨迹时间与位置信息，利用多层感知机MLP预测轨迹同属一个目标的概率，利用jonker‑volgenant算法完成轨迹链接以实现对目标稳定跟踪；

步骤1中，将包含  帧的多行人目标视频图像序列中每一帧缩放为1088×608像素的固定大小输入DLA‑34骨干网络，获得4种尺度的特征图 ， ，分别对应输入特征图下采样4、8、16和32倍；

步骤2中，将多尺度特征图 输入迭代深度聚合IDA模块得到目标位置信息用于检测，具体过程如公式（1）所示：（1）

其中， 表示由可变形卷积和反卷积组成的上采样操作， 表示用于改变特征通道的 卷积层， 被用作检测分支的输入特征图，输入多层卷积网络获得每一帧中所有目标的位置信息 表示检测到的目标个数，分别代表第 个目标的左上角 轴坐标、目标的宽、高和目标检测置信度，其中， 轴坐标、目标的宽和高构成目标的位置检测框。

2.根据权利要求1所述的一种基于特征解耦融合网络的多目标跟踪方法，其特征在于，步骤3中，采用一种自上而下的方法融合多尺度特征图获得外观特性信息，具体如公式（2）所示：（2）

其中， 表示 激活函数， 被用作Re‑ID分支的输入特征图，输入多层卷积层网络提取每个像素位置上的外观特征向量，记作 。

3.根据权利要求2所述的一种基于特征解耦融合网络的多目标跟踪方法，其特征在于，步骤4中，采用自适应加权融合策略基于步骤2和3得到的目标位置信息 和外观特征向量得到关联代价矩阵，设 分别代表位置相似度与外观相似度矩阵， 的第i行、第j列元素对应计算方式为：（3）

为上一帧跟踪的目标在当前帧中由卡尔曼滤波算法得到的预

测位置框集合，在第一帧中为空， 为上一帧跟踪的目标个数； 和 分别为 和 中一个目标的检测位置框和预测位置框， 为包含 和 的最小外接矩阵；

E的第i行、第j列元素对应计算方式为：

（4）

其中， 是从 的 和 位置框中心点处提取的外观特征向量； 和分别被定义为E中第i行、第j列的最高值和次高值的差，E第i行、第j列元素对应的修正权重 为：（5）

将修正权重用作关联匹配的代价矩阵 ，其中，第i行、第j列元素的计算方式为：。

4.根据权利要求1所述的一种基于特征解耦融合网络的多目标跟踪方法，其特征在于，步骤4中，利用匈牙利算法进行目标关联过程如下：根据第一置信度阈值 和第二置信度阈值 将步骤2中得到的D分为两部分；对于置信度高于 的检测框，将其放入高分检测集合 中；对于置信度在 到中间的检测框，将他们放入低分数检集合 中；第一次关联匹配在 和 之间执行，使用匈牙利算法完成基于代价矩阵 的第一次匹配；将 中未匹配的检测结果保存至 ，将 中未匹配的目标保存至 ；第二次关联使用匈牙利算法对检测框和 进行匹配，在每一帧进行关联匹配后，基于卡尔曼滤波对现有 进行更新，并将 作为新目标加入 。

5.根据权利要求4所述的一种基于特征解耦融合网络的多目标跟踪方法，其特征在于，在步骤5中，为 中每个目标依据最近30帧的帧编号 和中心点坐标 创建轨迹，对于短于30帧长度的轨迹，采用零向量对轨迹进行填充；任选一个轨迹对 与 沿着时间维度 用 卷积核提取时间特征，用 卷积核对 三个不同维度特征进行融合；轨迹对转化为两个特征映射，分别经过池化压缩后转为两个特征向量，接着进行向量拼接 操作；拼接后的向量包含时间与位置信息，送入MLP预测 与 同属于一个目标的概率；基于预测的概率，利用jonker‑volgenant算法完成轨迹链接，两段轨迹被链接为一个目标的连续轨迹，实现对目标稳定跟踪。