1.一种基于iou的水下多目标跟踪方法，其特征在于，包括以下步骤：
s1、获取水下感兴趣目标的数据集，进行图像预处理、图像增强；
s2、将数据集划分为训练集、测试集与验证集，训练并获得收敛的目标检测模型；
s3、对输入的当前图像帧进行图像增强；
s4、使用训练好的目标检测模型对s3进行增强后的图像帧进行目标检测，得到该帧的所有检测框信息和该帧的检测得分；
s5、通过场景拥挤检测算法，自适应调整目标检测的得分阈值，筛选部分检测目标，同时根据检测得分对检测目标集合划分为高、低得分检测目标集合；
s6、计算各检测目标与各运动轨迹之间的iou得分；
s7、根据iou得分，对检测目标与运动轨迹进行分集匹配；
s8、根据步骤s7的匹配结果对所有检测目标与运动轨迹进行状态转移处理，以保持检测目标id的一致性。
2.根据权利要求1所述的水下多目标跟踪方法，其特征在于，步骤s5中场景拥挤检测算法对第t帧的场景拥挤检测计算公式为：
其中，ρd表示检测得分阈值，α表示预设得分阈值偏移值，numr表示检测框与轨迹框发生重叠的个数，num表示检测框总数，β表示预设的最低检测框总数值。
3.根据权利要求2所述的水下多目标跟踪方法，其特征在于，所述α设为0.2，β设为10。
4.根据权利要求1-3中任一项所述的水下多目标跟踪方法，其特征在于，步骤s5中根据检测得分对检测目标集合划分为高、低得分检测目标集合时，对第t帧的检测分集公式为：
dhigh＝{sd≥max(savg,smed),d∈d}
dlow＝{sd＜max(savg,smed)∪sd＞ρd,d∈d}
其中，dhigh和dlow分别表示高得分检测目标集合和低得分检测目标集合，d表示检测目标总集合，sd表示检测目标d的得分，savg和smed分别表示检测得分总集合的平均值和中位数。
5.根据权利要求4所述的水下多目标跟踪方法，其特征在于，步骤s6中计算各检测目标与各运动轨迹之间的iou得分时，计算第t帧的检测目标d与运动轨迹k之间的iou的公式为：
其中，sd∩k和sd∪k分别表示检测目标d这一检测框与运动轨迹k这一轨迹框之间的相交区域面积和并集区域面积，d和k分别表示检测目标总集合与运动轨迹集合；
计算得到当前帧每个检测目标-运动轨迹对的iou，排列成一个iou矩阵，横坐标对应检测目标序号，纵坐标对应运动轨迹序号。
6.根据权利要求5所述的水下多目标跟踪方法，其特征在于，步骤s7中采用匈牙利算法进行分集匹配：
输入高得分检测目标集合、低得分检测目标集合、运动轨迹集合、iou矩阵，然后将iou矩阵作为检测目标集合与运动轨迹集合之间的距离度量，接着依次将高、低得分检测目标集合与运动轨迹集合进行匈牙利匹配；当匹配完成后，得到三个集合：配对的检测目标-运动轨迹集、未配对的检测目标集、未配对的运动轨迹集。
7.根据权利要求6所述的水下多目标跟踪方法，其特征在于，在步骤s8中对通过步骤s7得到的三个集合做轨迹状态转移处理，设每个运动轨迹处于跟踪状态、消失状态或删除状态；
对于配对的检测目标-运动轨迹集合，根据检测的位置信息更新它们的运动轨迹信息，然后判断运动轨迹状态，若处于跟踪状态则保持状态不变，若处于消失状态则将它转移到跟踪状态；
对于未配对的检测目标集，为每个检测目标初始化一个运动轨迹，使这些运动轨迹的信息与对应的检测信息相同，并让它们处于跟踪状态；
对于未配对的运动轨迹集中的每个运动轨迹，当该运动轨迹处于跟踪状态时，将它转移到消失状态；当运动轨迹处于消失状态时，比较该运动轨迹的已消失帧数与删除阈值的大小，当已消失帧数大于删除阈值时，则将它转移到删除状态；反之，则保持它的状态为消失状态。
8.根据权利要求7所述的水下多目标跟踪方法，其特征在于，删除阈值ρr设为2。
9.根据权利要求1所述的水下多目标跟踪方法，其特征在于，步骤s1、s3中使用基于加权l1正则化的水下图像清晰化算法来进行图像增强。
10.根据权利要求1所述的水下多目标跟踪方法，其特征在于，步骤s2选用卷积神经网络作为backbone进行线下训练，最终获得收敛的目标检测模型。