1.一种基于动态模板的密集连接孪生神经网络目标跟踪方法，其特征在于，该方法包括以下步骤：步骤1：使用孪生神经网络提取特征，过程如下：

步骤1.1：该网络由拥有三个Dense Block的DenseNet组成，相邻两个Dense Block之间连接一个1*1的卷积层和一个2*2mean‑pooling层；

步骤1.2：每个Dense Block由Batch Normalization层、ReLU层和卷积层组成；

步骤1.3：视频序列的初始帧为模板帧，当前帧为检测帧，分别输入孪生神经网络，得到模板帧和检测帧的特征图；

步骤2：将特征图输入RPN网络，生成候选区域，过程如下：

步骤2.1：RPN网络由两部分组成，一部分是分类分支，用于区分目标和背景，另一部分是回归分支，用于微调候选区域；

步骤2.2：对于分类分支，RPN网络接收步骤1生成的模板帧和检测帧的特征图，使用一个新的卷积核对它们进行卷积操作，缩小特征图的同时产生了新的特征图；

步骤2.3：以模板帧特征图为卷积核对检测帧特征图进行卷积操作得到响应图；

步骤2.4：对于回归分支，执行与分类分支相同的操作得到响应图，根据分类分支和回归分支的输出提取出得分前M的输出，得到前M个proposals的位置信息；

步骤3：确定跟踪位置，过程如下：

步骤3.1：对模板分支的proposals和检测分支的proposals做相似性度量，获得跟踪结果的bounding box；

步骤3.2：使用非极大抑制NMS对最后预测输出的bounding box进行筛选，得出最终跟踪到的目标bounding box；

步骤3.3：使用线性插值更新目标尺寸，得出最终在检测帧上跟踪得到的目标位置；

步骤4：更新模板，过程如下：使用置信度作为模板是否更新的评判依据，置信度计算方式如下：其中，Fmax，Fmin，Fw，h分别代表响应图上的最大值，最小值和(w，h)位置上的响应值；当置信度突然减小的时候，是目标跟丢的情况，这种情况不宜进行模板的更新，避免发生跟踪漂移；只有当APCEs和Fmax都以设定比例大于各自的历史均值时才进行模板更新。

2.如权利要求1所述的一种基于动态模板的密集连接孪生神经网络目标跟踪方法，其特征在于，所述步骤2.4中，选择在目标周围7个单位内的anchors而不是整个特征图的anchors，删除了离目标较远的proposals，使用余弦窗抑制最大位移，使用尺度变化penalty抑制尺寸和比例的大幅变化，得出最后评分较高的五个proposals。