1.一种无人机目标跟踪方法，其特征在于，包括：

S1，无人机目标检测：通过无人机目标检测器获取当前帧无人机目标的边界框与置信度；

S2，状态预测：利用噪声自适应卡尔曼滤波算法对当前帧目标的位置和运动状态进行预测；

S3，特征提取判定：提出基于置信度的特征提取判定策略，将轨迹和检测框进行IoU匹配，并计算目标的置信度变化率，对IoU匹配度低于阈值且置信度变化率高于阈值的目标进行标记，对IoU匹配度高于阈值或置信度变化率低于阈值的目标，则复用上一帧特征；

S4，提取外观特征：通过构建轻量级特征重识别网络Rep-OSNet，对当前帧中IoU匹配度低于阈值且置信度变化率高于阈值的目标提取外观特征；

S5，级联匹配：通过设计融合运动方向与外观相似性的自适应代价函数将检测目标与确认态轨迹进行级联匹配；

S6，二次关联匹配：对级联匹配失配的目标与轨迹进行二次关联匹配；

S7，状态更新：利用噪声自适应卡尔曼滤波更新匹配轨迹状态，删除二次关联匹配仍失配且丢失时间大于阈值的轨迹；输出更新后的目标轨迹预测框及ID。

2.如权利要求1所述无人机目标跟踪方法，其特征在于：所述基于置信度的特征提取判定策略包括，将轨迹和检测框进行IoU匹配，并计算置信度的变化率，对于IoU匹配度高于阈值或置信度变化率低于阈值的目标，直接沿用上一帧的特征信息，对于IoU匹配度低于阈值且置信度变化率高于阈值的目标进行标记。

3.如权利要求1所述无人机目标跟踪方法，其特征在于：所述轻量级特征重识别网络Rep-OSNet包括，引入重参数化结构，在Rep-OSNet网络中设置重参数化结构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，推理阶段融合为单路3×3卷积，降低计算复杂度与内存占用。

4.如权利要求1所述无人机目标跟踪方法，其特征在于，所述级联匹配过程中，采用动态融合运动与外观特征的代价函数，通过轨迹丢失时长、运动方向一致性及目标速度稳定性自适应调整匹配权重，这一过程具体包括：S4-1，IoU距离、外观距离、方向差异角归一化的计算：定义归一化IoU距离为：

其中，为第i条轨迹的预测边界框，为检测边界框；

定义外观距离为：

其中，为检测目标外观特征，为轨迹历史特征库中第k个特征；

计算方向差异角并归一化为：

其中，为轨迹预测方向角，为检测框相对于轨迹上一帧位置的方位角；

S4-2，设置动态权重自适应机制，包括：

计算外观特征权重比例系数：

其中，为轨迹i的丢失时间；为自适应丢失时间阈值，根据场景动态调整，为轨迹i在最近5帧内的速度方差，γ=0.05为速度方差调节因子；

S4-3，设置方向匹配启用条件，仅当轨迹丢失时间、轨迹平均速度1.5×目标平均尺寸/帧率且时启用；

S4-4，进行参数自适应优化，每30帧更新：

其中，通过离线训练确定λ∈[0.8,1.2]，平均目标尺寸为当前帧所有检测框的平均宽度，平均目标速度为所有轨迹位移速度的均值；

S4-5，动态融合运动与外观匹配项，生成最终匹配代价，定义如下：其中， ，，且所有距离项取值范围均为[0,1]。

5.如权利要求1所述无人机目标跟踪方法，其特征在于：所述状态更新过程中，对卡尔曼滤波算法，增加噪声自适应机制，引入轨迹影响因子，构建噪声自适应卡尔曼滤波，兼顾目标检测的置信度与历史追踪表现，这一过程定义如下：其中，为轨迹影响因子，是检测置信度, 为预设的最小噪声协方差；

为控制计算复杂度，本式采取分段函数，计算方式如下：其中，为轨迹连续确认次数。