1.一种基于互强化与多注意机制学习的深度相关目标跟踪算法，其特征在于：包括以下步骤：步骤1：根据上一帧的目标区域，采用特征提取器提取其目标区域特征；

步骤2：通过上一帧的目标位置确定下一帧的搜索区域，并根据下一帧的搜索区域，采用特征提取器提取其搜索区域特征；

步骤3：对上一帧的目标区域特征和下一帧的搜索区域特征进行互相关性操作，得到互相关操作结果；在傅里叶域下将互相关操作结果与用于表达目标区域特征的滤波器模板进行点乘操作，得到响应值；

步骤4：判断是否达到终止条件，若达到，则步骤3中产生响应值最大值的位置为下一帧目标的位置，否则根据下一帧的搜索区域对步骤4中的滤波器模板参数进行更新，执行步骤

3。

2.根据权利要求1所述的一种基于互强化与多注意机制学习的深度相关目标跟踪算法，其特征在于：所述特征提取器建立步骤包括：将DCFNet算法得到的浅层特征一方面作为信息补充，另一方面与包括编码器和解码器的EDNet结构提取的语义信息，进行融合后依次送至通道注意力机制和空间注意力机制，构建得到特征提取器；

初始化特征提取器参数；

经过均方误差损失通过梯度下降进行特征提取器的参数学习。

3.根据权利要求1所述的一种基于互强化与多注意机制学习的深度相关目标跟踪算法，其特征在于：所述用于表达目标区域特征的滤波器模板为根据岭回归封闭解学习得到的滤波器模板，包括：基于孪生网络和相关框架，训练得到一个岭回归分类器，找到一个函数yα＝w★ψ(x)使得在循环样本x上的检测结果和回归目标y之间的平方误差最小：l

式中，w表示目标滤波器模板，★循环相关，y表示标签矩阵，R表示目标图像的通道数，w指的是参数为w通道l相关滤波器模板，正则项λ≥0，yα＝w★ψ(x)表示预测目标标签；

图像块特征；

利用离散傅立叶变换，计算得到滤波器模板：

其中，表示离散傅里叶变换 表示为复数y的复共轭，⊙表示Hadamard乘积。

4.根据权利要求3所述的一种基于互强化与多注意机制学习的深度相关目标跟踪算法，其特征在于：所述在傅里叶域下将互相关操作结果与预先学习得到的滤波器模板进行点乘操作，得到响应值的步骤包括：响应值m表示为：

式中， 表示离散傅立叶逆变换，同上^、⊙、*分别表示离散傅立叶变换、点乘和共轭，ψ(z)为下一帧的搜索区域特征。

5.根据权利要求1所述的一种基于互强化与多注意机制学习的深度相关目标跟踪算法，其特征在于：所述通过上一帧的目标位置确定下一帧的搜索区域的步骤包括：下一帧的搜索区域由上一帧的目标位置通过尺度放缩得到。