1.一种红外无人机多目标跟踪方法，其特征在于，包括：

利用YOLOv8目标检测器获取红外摄像头视频流当前帧中的目标信息；

通过相机运动补偿方法，根据相机的运动状态校正所述目标的位置信息；

利用卡尔曼滤波算法对检测到的所有目标的轨迹进行预测，确定所述轨迹的状态为确认态或不确认态；

通过预匹配策略，在进行外观特征提取之前，进行一次预匹配，标记具有低匹配度的目标；

通过轻量级特征重识别网络RepO-LightMBN，提取视频帧中低匹配度目标的外观特征；

通过B-IoU+匹配算法将检测到的目标与确认态轨迹结合目标的外观特征距离和运动信息计算成本矩阵以进行级联匹配，使用B-IoU+与OCM匹配算法结合目标的外观特征将检测框和轨迹进行匹配；

针对在级联匹配阶段失配的目标和轨迹，采用OCR匹配算法对轨迹最后一次的观测值和检测值进行匹配；

利用卡尔曼滤波算法对级联匹配和OCR匹配所得的匹配轨迹进行状态更新，对OCR匹配所得的失配轨迹中的未匹配轨迹进行删除，并输出状态更新后的目标轨迹预测框和目标ID。

2.如权利要求1所述红外无人机多目标跟踪方法，其特征在于：所述预匹配策略由预匹配算法和特征更新过程组成，预匹配利用运动特征将目标进行划分，对于运动特征明显的目标减少特征提取模块的调用，反之亦然；具体过程包括：使用预测值和观测值的IoU代表目标的运动特征的强弱；

在进行特征提取之前，将轨迹和检测框进行一次IoU匹配；

通过设置阈值，将唯一具有高匹配度的检测框设置为安全目标，除此之外的目标设置为危险目标。

3.如权利要求1所述红外无人机多目标跟踪方法，其特征在于：所述轻量级特征重识别网络，构建RepO-LightMBN特征重识别网络提取低匹配度的目标外观特征，利用采集的数据对特征重识别网络进行训练。

4.如权利要求3所述红外无人机多目标跟踪方法，其特征在于：所述构建RepO-LightMBN采用Rep-OSNET作为骨干网络，引入重参数化结构，对OSNet的输出结果进行了进一步的处理，通过三个分支，分别提取目标的局部、全局、通道三个维度的特征，强化网络对于不同维度信息的提取能力。

5.如权利要求4所述红外无人机多目标跟踪方法，其特征在于：所述引入重参数化结构，在Rep-OSNET网络中设置重参数化单元SAG，通过独特的多分支卷积结构，有效提升网络在红外反无人机多目标跟踪场景下对特征的提取与利用能力，SAG在训练阶段具有多分支卷积结构，包括输入层、平均池化层、MLP、激活函数Sigmoid和输出层。

6.如权利要求1所述红外无人机多目标跟踪方法，其特征在于：所述B-IoU+匹配算法，包括边框和缓冲区的坐标变化方式，通过计算缓冲区的交并比来替代原来边框的交并比，相交的面积更大，进一步减少了小面积目标的扰动造成的低相交面积问题。

7.如权利要求6所述红外无人机多目标跟踪方法，其特征在于：所述B-IoU+匹配算法边框和缓冲区尺寸变换方式，这一过程具体定义如下：o＝(x,y,w,h)

上式中，o表示扩张之前的边框，x表示边框左上角的横坐标，y表示边框左上角的纵坐标，w表示边框的宽度，h表示边框长度，o’表示扩张之后的边框，b表示扩张系数，缓冲区尺寸大小由最大的边的长度进行扩充，在纵向和横向上具有相同的扩张距离，对于目标的不同运动方向均具有较好的匹配效果。