1.基于马尔科夫模型的视频多行人追踪方法，其特征在于，包括：S1、获取视频序列第一帧中的行人检测框，并将其作为初始运动轨迹；

S2、获取视频序列下一帧中的行人检测框，并计算每个行人检测框与所有运动轨迹上一帧中的行人检测框之间的运动相似度及外观相似度；

S3、判断同一行人检测框对应的所有运动相似度是否均大于运动阈值及所有的外观相似度是否均大于外观阈值；

若所有运动相似度均大于运动阈值或者所有的外观相似度均大于外观阈值，则新增一条运动轨迹并返回步骤S2；

若所有运动相似度均小于等于运动阈值且所有的外观相似度均小于等于外观阈值，则进入步骤S4；

S4、根据行人检测框与运动轨迹的运动相似度和外观相似度，分别计算每条运动轨迹与每个行人检测框的匹配相似度；

S5、判断当前行人检测框与运动轨迹之间的运动相似度是否大于运动阈值及外观相似度是否大于外观阈值；

若运动相似度大于运动阈值或者外观相似度大于外观阈值，则运动轨迹转移到当前行人检测框的转移概率为零；

若运动相似度小于等于运动阈值且外观相似度小于等于外观阈值，则进入步骤S6；

S6、根据同一运动轨迹与所有行人检测框之间的匹配相似度，采用马尔科夫模型分别计算每条运动轨迹转移至每个行人检测框的归一化的转移概率；

S7、根据同一运动轨迹与所有的行人检测框之间的转移概率，对多条轨迹进行跟踪，并在运动轨迹有效时更新计算匹配相似度时的权重后返回步骤S2；

所述步骤S7进一步包括：

S71、判断同一条运动轨迹的所有转移概率之间的关系；

S711、若同一条运动轨迹的所有转移概率均为零，则当前运动轨迹为漏检，并判断当前运动轨迹连续出现漏检的次数是否大于设定阈值，若是，进入步骤S7111，否则进入S7112；

S7111，运动轨迹无效，结束当前运动轨迹的跟踪；

S7112，更新计算匹配相似度时的权重后返回步骤S2；

S712、若同一条运动轨迹存在最大转移概率，将最大转移概率对应的行人检测框扩展为运动轨迹的末端数据；

S713、当所有运动轨迹的最大转移概率确定完成后，判断是否存在至少两个最大转移概率对应于同一行人检测框；若不存在，进入步骤S7131，否则进行步骤S7132；

S7131、更新计算匹配相似度时的权重后返回步骤S2；

S7132、标记相应运动轨迹为交叉，并查找运动轨迹在交叉时前一帧的行人检测框，并将其作为轨迹跟踪时下一帧的上一帧中行人检测框，同时更新计算匹配相似度时的权重后返回步骤S2。

2.根据权利要求1所述的基于马尔科夫模型的视频多行人追踪方法，其特征在于，计算运动轨迹与行人检测框的匹配相似度的公式为：其中，Sim(i,j)为运动轨迹i与当前行人检测框j之间的匹配相似度；d(i,j)为运动轨迹i和当前行人检测框j的像素距离；Iou(i,j)为运动轨迹i对应的行人检测框和当前行人检测框j之间的重合占比；F(i,j)为外观相似度，即运动轨迹i对应的行人检测框的外观特征与当前行人检测框j的外观特征的欧式距离；α、β和γ分别为像素距离、重合占比和外观相似度的权重，α+β+γ＝1；e为0.00001～0.001间的正数。

3.根据权利要求2所述的基于马尔科夫模型的视频多行人追踪方法，其特征在于，在步骤S7112和步骤S7132中，均更新权重γ＞α＞β；在步骤S7131中，更新权重γ＝α＝β。

4.根据权利要求2所述的基于马尔科夫模型的视频多行人追踪方法，其特征在于，采用马尔科夫模型分别计算同一条运动轨迹转移至每个行人检测框的归一化的转移概率的计算公式为：

其中，Pt(i,j)为第t帧中运动轨迹i转移至行人检测框j的归一化的转移概率；N为第t帧中行人检测框的总数量。

5.根据权利要求2所述的基于马尔科夫模型的视频多行人追踪方法，其特征在于，所述运动相似度的计算公式为：

所述像素距离d(i,j)的计算公式为：其中，(xi,yi)是运动轨迹i上一帧对应的行人检测框的中心位置像素坐标，(xj,yj)为行人检测框j对应的中心位置像素坐标；

重合占比Iou(i,j)的计算公式为：其中，Si为运动轨迹i上一帧对应的行人检测框的面积，Sj为行人检测框j的面积；SR为Si和Sj重合的面积。

6.根据权利要求1‑5任一所述的基于马尔科夫模型的视频多行人追踪方法，其特征在于，采用YOLO网络目标识别框架获取视频序列中每一帧中的行人检测框。