1.一种基于KCF轨迹置信度的多目标跟踪方法，包括如下步骤：S100：建立基于KCF的滤波器，利用所述基于KCF的滤波器计算当前帧中的N个检测响应与M条目标跟踪轨迹之间的外观相似度、形状相似度和运动相似度，作为数据关联的关联关系模型，其中N，M为大于1的整数；

S200：利用所述滤波器对所述N个检测响应进行校正；

S300：利用基于APCE遮挡分析的轨迹置信度计算方法计算被跟踪目标的轨迹置信度，依据该轨迹置信度将所述M条目标跟踪轨迹划分为高置信度轨迹和低置信度轨迹；

S400：建立候选目标假设集，用于表示之前帧中跟丢的目标及与所述N个检测响应未匹配的目标轨迹；

S500：对经过校正的检测响应、所述高置信度轨迹、所述低置信度轨迹以及所述候选目标假设集中的候选样本根据所述关联关系模型执行相邻帧间的数据关联。

2.根据权利要求1所述的方法，优选的，所述S100进一步包括：S101：所建立的基于KCF的滤波器为仅利用t-1帧中的目标样本训练KCF滤波器，其中t表示当前帧；

S102：计算第t-1帧中所跟踪目标xl与第t帧中检测响应zl之间的外观相似度Sapp，具体为：其中， 为输出向量yl的离散傅里叶变换，yl为训练样本fl的期望输出，fl是候选样本对应的HOG和CN特征；

S103：计算第t-1帧中所跟踪目标xl与第t帧中检测响应zl之间的形状相似度Sshape，具体为：Sshape＝IoU(xl，zl)；

S104：计算第t-1帧中所跟踪目标xl与第t帧中检测响应zl之间的运动相似度Smotion，具体为：Smotion＝G(Tpos-Zpos，∑)    (12)其中，G(·)为均值为0的高斯函数，Tpos和Zpos分别为xl和zl的位置。

3.根据权利要求1所述的方法，所述S200进一步包括：S201：利用所述基于KCF的滤波器预测t-1帧中任意目标 在第t帧中的状态：其中， 为利用所述基于KCF的滤波器所预测目标的位置信息， 和分别为所预测目标边界框的宽度和高度， 为t-1帧中第j条轨迹的位置的最大响应值，η为预定义阈值，CTH为候选目标假设集；

S202：当所预测目标的最大响应值大于预定义阈值η，则将其加入到预测目标集 中，反之，加入到CTH候选目标假设集中；

S203：假设第t帧中所有满足上式的预测目标为 则第t帧的检测响应为：

其中，M表示所预测目标的个数， 表示由目标检测器提供的检测响应， 表示检测响应状态 和目标预测状态 基于IoU的冗余消除，其判断依据是 和 的IoU值是否大于预定义的阈值α；

S204：当 和 的IoU值大于预定义阈值α时，其表示同一个目标，仅保留检测响应，反之，二者代表不同的目标检测响应，同时保留，最终得到第t帧经过KCF校正后的检测响应

4.根据权利要求3所述的方法，预定义阈值η＝0.7。

5.根据权利要求3所述的方法，预定义阈值α＝0.6。

6.根据权利要求1所述的方法，所述S300进一步包括：所述轨迹置信度定义为：

式中的Lj为Tj的轨迹长度，C(Tj，zl)为轨迹Tj和检测响应Zi的关联相似度值，OAPCE为遮挡程度， 分别表示轨迹Tj的起始帧和终止帧。

7.根据权利要求6所述的方法，当Conf(Tj)＞0.5时，其对应轨迹为高置信度轨迹，反之，为低置信度轨迹。

8.根据权利要求1所述的方法，所述S500进一步包括：所述高置信度轨迹执行相邻帧间的数据关联具体为：关联关系矩阵构造为：

式中，sij为轨迹 与检测响应zi基于外观相似度Sapp、形状相似度Sshape及运动相似度Smotion的关联相似度值，S为由Sij构成的关联关系矩阵，假设第t帧中存在k个高置信度轨迹Thigh， 中包含n个检测响应，候选目标假设集 中存在m个检测响应；

根据所构造的关联关系矩阵，由Hungarian算法求解高置信度轨迹与检测响应之间的关联匹配，然后依据关联结果更新轨迹的置信度值及轨迹的状态。

9.根据权利要求1所述的方法，所述S500进一步包括：所述低置信度轨迹执行相邻帧间的数据关联具体为：在将高置信度轨迹与检测响应关联后，假设 集中存在n′个未被关联的检测响应，候选目标假设集中存在m′个未被关联的检测响应和q′个未被关联的轨迹，k′个未被关联的高置信度轨迹Thigh 表示第t帧中的候选检测响应假设第t帧中存在l条低置信度的轨迹，h条未匹配的轨迹，h＝q′+k′，q个检测响应，q＝n′+m′；则低置信度轨迹数据关联过程中的关联矩阵为：式中，A＝[aij]，

表示第i条低置信度轨迹 与第j条高置信度轨迹的 关联相似度值；B＝[bij]，表示第i条低置信度轨迹 与第j个检测响应cj的关联相似度值；D＝diag[d1，…，dl]，为第i条低置信度轨迹 终止的概率；τ为预定义阈值，X为低置信度轨迹关联过程中由A，B，D，τ构成的关联关系矩阵；

根据所构造的关联关系矩阵，由Hungarian算法求解低置信度轨迹的关联问题，然后依据关联结果更新轨迹的置信度值及轨迹的状态。