1.基于多目标跟踪的卡丁车比赛行为分析方法，其特征在于，具体按照以下步骤实施：步骤1，制作卡丁车目标检测数据集，并训练卡丁车目标检测所需的YOLOv3网络权重；

步骤2，选取待处理的卡丁车监控视频，读取视频的第一帧图像，利用YOLOv3目标检测网络和步骤1训练得到的网络权重，检测视频帧图像中的卡丁车的位置，并绘制每辆卡丁车的外接矩形检测框，提取卡丁车的图像特征；

步骤3，读取视频的第二帧图像，利用YOLOv3目标检测网络和网络权重，检测视频帧图像中的卡丁车的位置，绘制卡丁车的外接矩形检测框，提取卡丁车的图像特征；然后通过卡尔曼滤波预测卡丁车的运动状态；

步骤4，将步骤2和步骤3得到的图像特征和检测框进行相似度计算，输出相似度矩阵；

步骤5，采用匈牙利算法以及步骤4得出的相似度矩阵对历史帧检测框ID和当前预测框进行匹配，完成对卡丁车的多目标跟踪；

步骤6，采用直接线性变换法对卡丁车赛道进行场景标定，实现视频中的像素坐标与其在真实世界中点的坐标之间进行互相转换，输出卡丁车在真实世界中的坐标变化；

步骤7，重复步骤3至步骤6，直到读取完视频中的图像，输出每辆卡丁车在视频中完整的运动轨迹和速度时序变化，并保存到csv格式的文件中；

步骤8，将步骤7中有车辆碰撞、超车、缠斗行为的卡丁车运动轨迹csv文件输入到LSTM网络中训练，直到网络的损失函数趋于收敛，保存训练得到的权重；

步骤9，通过训练好的LSTM网络，读取步骤7中卡丁车跟踪得到的csv格式轨迹和速度数据，输出包括碰撞、超车、缠斗或无特殊行为的分类标签，即可得到卡丁车行为分析结果。

2.根据权利要求1所述的基于多目标跟踪的卡丁车比赛行为分析方法，其特征在于，所述步骤1中，具体过程如下：步骤1.1，将卡丁车监控视频拆分成帧图像，通过labelimg目标检测标注工具将每一帧图像中的卡丁车进行数据标注，形成卡丁车检测数据集；

其中，标注的信息有filename：图片的文件名；name：标注物体名称；xmin、ymin：卡丁车位置的左上角坐标；xmax、ymax：卡丁车位置的右下角坐标；

步骤1.2，使用YOLOv3网络对步骤1.1制作的卡丁车检测数据集进行训练，直到损失函数趋于收敛，保存训练好的网络权重文件。

3.根据权利要求1所述的基于多目标跟踪的卡丁车比赛行为分析方法，其特征在于，所述步骤4中，具体为：将步骤2和步骤3的检测框提取到的两帧图像特征进行余弦距离计算；将步骤3卡尔曼滤波算法预测的检测框和步骤2中的检测框进行马氏距离计算，把这两个距离进行融合输入到相似度计算的矩阵里面，输出相似度矩阵。

4.根据权利要求1所述的基于多目标跟踪的卡丁车比赛行为分析方法，其特征在于，所述步骤8中，具体为：步骤8.1，将目标跟踪得到的卡丁车比赛行为轨迹和速度数据，按照时序排列存放到.csv文件中；

步骤8.2，使用python编程读入.csv文件，并存放到数据结构list中；以one-hot的方式对数据标签进行编码，[1,0,0]表示碰撞，[0,0,1]表示超车，[0,1,0]表示缠斗；

步骤8.3，将数据和标签转成tensorflow框架所支持的张量形式，传输给LSTM网络并且加入注意力机制训练，将训练好的网络权重保存为.h5文件。