1.一种基于深度学习的视觉多目标跟踪方法，其特征在于，包括：获取由部署于商场出入口摄像头分别采集的多个入口监控视频和多个出口监控视频；

分别从所述多个入口监控视频和所述多个出口监控视频中提取入口监控特征图和出口监控特征图；

将所述入口监控特征图和所述出口监控特征图融合为多目标监控特征图；

将所述多目标监控特征图进行池化操作以得到多目标监控特征向量；

对所述多目标监控特征向量进行基于类回归域的反向特征一致性增强以得到优化多目标监控特征向量；

将所述优化多目标监控特征向量通过分类器以得到分类结果，所述分类结果用于表示商场是否有异常人员。

2.根据权利要求1所述的基于深度学习的视觉多目标跟踪方法，其特征在于，分别从所述多个入口监控视频和所述多个出口监控视频中提取入口监控特征图和出口监控特征图，包括：分别从所述多个入口监控视频和所述多个出口监控视频中提取多个入口监控关键帧和多个出口监控关键帧；

将所述多个入口监控关键帧分别通过入口目标检测以得到多个入口目标对象感兴趣区域图，并通过卷积编码以得到所述入口监控特征图；

将所述多个出口监控关键帧分别通过出口目标检测以得到多个出口目标对象感兴趣区域图，并通过卷积编码以得到所述出口监控特征图。

3.根据权利要求2所述的基于深度学习的视觉多目标跟踪方法，其特征在于，将所述多个入口监控关键帧分别通过入口目标检测以得到多个入口目标对象感兴趣区域图，并通过卷积编码以得到所述入口监控特征图，包括：将所述多个入口监控关键帧分别通过基于无锚窗的入口目标检测网络以得到所述多个入口目标对象感兴趣区域图；

将所述多个入口目标对象感兴趣区域图排列为入口输入张量后通过三维卷积神经网络以得到所述入口监控特征图。

4.根据权利要求3所述的基于深度学习的视觉多目标跟踪方法，其特征在于，将所述多个入口监控关键帧分别通过基于无锚窗的入口目标检测网络以得到所述多个入口目标对象感兴趣区域图，包括：将所述多个入口监控关键帧中各个入口监控关键帧分别通过多层卷积层以得到多个浅层特征图；

将所述多个浅层特征图分别通过所述基于无锚窗的入口目标检测网络以得到所述多个入口目标对象感兴趣区域图。

5.根据权利要求4所述的基于深度学习的视觉多目标跟踪方法，其特征在于，将所述多个入口监控关键帧中各个入口监控关键帧分别通过多层卷积层以得到多个浅层特征图，包括：所述多层卷积层包括N层卷积层，所述N大于等于1且小于等于6；

所述多层卷积层的多层在层的正向传递中对输入数据分别进行基于二维卷积核的卷积处理、池化处理和非线性激活处理以由所述多层卷积层的最后一个卷积层输出所述浅层特征图；

所述多层卷积层中各层使用的非线性激活函数为Mish激活函数。

6.根据权利要求5所述的基于深度学习的视觉多目标跟踪方法，其特征在于，将所述多个入口目标对象感兴趣区域图排列为入口输入张量后通过三维卷积神经网络以得到所述入口监控特征图，用于：使用所述三维卷积神经网络的各层在层的正向传递中对输入数据分别进行基于三维卷积核的卷积处理、池化处理和非线性激活处理以由所述三维卷积核的最后一层输出所述入口监控特征图。

7.根据权利要求6所述的基于深度学习的视觉多目标跟踪方法，其特征在于，将所述多个出口监控关键帧分别通过出口目标检测以得到多个出口目标对象感兴趣区域图，并通过卷积编码以得到所述出口监控特征图，包括：将所述多个出口监控关键帧分别通过基于无锚窗的出口目标检测网络以得到所述多个出口目标对象感兴趣区域图；

将所述多个出口目标对象感兴趣区域图排列为出口输入张量后通过三维卷积神经网络以得到所述出口监控特征图。

8.根据权利要求7所述的基于深度学习的视觉多目标跟踪方法，其特征在于，对多目标监控特征向量进行基于类回归域的反向特征一致性增强以得到优化多目标监控特征向量，包括：将所述多目标监控特征向量与地质状态分类器的分类权重矩阵进行相乘以得到第一中间多目标监控特征向量；

使用concat函数对所述多目标监控特征向量和所述第一中间多目标监控特征向量进行处理以得到第二中间多目标监控特征向量；

对所述多目标监控特征向量和所述第一中间多目标监控特征向量进行按位置相加以得到第三中间多目标监控特征向量；

将第一权重矩阵乘以第二中间多目标监控特征向量再加上第一偏置向量后通过sigmoid函数以得到第一激活值；

将第二权重矩阵乘以第三中间多目标监控特征向量再加上第二偏置向量后通过sigmoid函数以得到第二激活值；

计算所述第一激活值和所述第二激活值的均值以得到激活均值；

计算一减去激活均值的差值，并以差值作为第一加权系数和以激活均值作为第二加权系数，对所述第二中间多目标监控特征向量和所述多目标监控特征向量进行按位置加权以得到第四中间多目标监控特征向量；

对后向锚定参考向量的每个特征值进行以自然常数为底的指数运算以得到第五中间多目标监控特征向量；

将所述第四中间多目标监控特征向量按位置减去所述第五中间多目标监控特征向量后通过ReLU函数以得到优化多目标监控特征向量。

9.一种基于深度学习的视觉多目标跟踪系统，其特征在于，包括：摄像头采集模块，用于获取由部署于商场出入口摄像头分别采集的多个入口监控视频和多个出口监控视频；

提取特征图模块，用于分别从所述多个入口监控视频和所述多个出口监控视频中提取入口监控特征图和出口监控特征图；

融合多目标模块，用于将所述入口监控特征图和所述出口监控特征图融合为多目标监控特征图；

特征图池化模块，用于将所述多目标监控特征图进行池化操作以得到多目标监控特征向量；

多目标特征优化模块，用于对所述多目标监控特征向量进行基于类回归域的反向特征一致性增强以得到优化多目标监控特征向量；

多目标结果分析模块，用于将所述优化多目标监控特征向量通过分类器以得到分类结果，所述分类结果用于表示商场是否有异常人员。

10.一种电子设备，包括：

处理器；

存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-8中任一项所述的基于深度学习的视觉多目标跟踪方法。