1.一种基于孪生网络的快速视频目标跟踪方法，其特征在于，所述方法包括：利用残差连接和通道注意力机制改进SiamFC孪生网络模型的模板分支，得到目标跟踪网络模型SiamRCCA；

设定相似性响应图的损失掩码Maskn×n，并在离线训练SiamRCCA模型时根据Maskn×n提高难分样本损失值的权重；所述相似性响应图的损失掩码Maskn×n为：Maskn×n＝Norm(Relu(Vn×n‑Vn×n[t]))其中，Norm(·)为归一化操作，Vn×n为相似度响应值图，大小为n×n；Vn×n[t]为SiamRCCA模型对真实目标点t的响应值；Relu(·)为激活函数；

采用离线训练完成后的SiamRCCA模型进行目标跟踪；

所述利用残差连接和通道注意力机制改进SiamFC孪生网络模型的模板分支，包括：对SiamFC孪生网络模型的模板分支的第二层卷积特征F2,256*12*12进行下采样操作，得到下采样特征F2d,256*6*6；

对模板分支所提取到的首帧目标特征Fori,256*6*6，通过全局平均池化和全连接层，确定相应特征通道权重并捕捉各特征通道和其相邻k＝3个通道之间的依赖关系，得到1*256维度的通道加权系数C1*256；

利用C1*256对Fori,256*6*6各对应特征通道进行加权，通过残差连接将加权后所得特征和下采样特征F2d,256*6*6进行线性融合，得到最终的模板分支特征；

所述方法包括：

(1)同时迭代训练SiamRCCA模型的模板分支和搜索分支，训练时通过所述损失掩码提高难分负样本的损失值权重；

(2)输入视频帧序列和第1帧图像N1的目标位置(X1,Y1,H1,W1)，其中X1为目标中心位置横坐标，Y1为目标中心位置纵坐标，H1为跟踪边界框高度，W1为跟踪边界框宽度；

(3)通过SiamRCCA模板分支提取第1帧图像N1的目标特征F1；

(4)对于视频帧序列第t帧图像Nt，取(Xt‑1,Yt‑1,3Ht‑1+Wt‑1,3Wt‑1+Ht‑1)区域作为搜索框，并将搜索框分别放缩尺度S1、S2、S3后截取三个不同大小的候选域，并将所有候选域统一双三次插值为255×255大小，得到三个相同大小的搜索域；

(5)通过SiamRCCA搜索分支提取上述三个搜索域的深度特征，并分别计算与目标特征F1的相似度响应，得到响应图分别记为：Response1、Response2、Response3；

(6)计算最大响应值所对应的响应图Responsek和放缩尺度Sk，k∈{1,2,3}；

(7)利用余弦窗对Responsek进行边缘响应值抑制；

(8)通过放缩尺度Sk和进行边缘响应值抑制处理后的Responsek的最大值位置计算当前帧目标位置(Xt,Yt,Ht,Wt)；

(9)重复步骤(4)～(8)，直至当前序列所有帧跟踪结束，以确定目标在当前帧中的位置；

模型训练所使用损失函数L(Yn×n,Vn×n)为：

μ为控制损失掩码在损失值计算中的影响系数，Vn×n[i]为SiamRCCA模型输出的相似性响应图中的第i点的响应值；Yn×n[i]∈[0,1]为相应点真实样本类别，其中1为正样本中心区域点，其余为0；Maskn×n[i]为SiamRCCA模型输出的相似性响应图中的第i点对应的损失掩码；

迭代训练SiamRCCA模型的模板分支和搜索分支时，设定训练学习率初始值为0.01，衰减系数为0.8685，训练50个epoch，模型激活函数为Mish，采用随机梯度下降优化策略对最小化损失函数L(Yn×n,Vn×n)进行优化，其中：Yn×n为真实样本分布，Vn×n为SiamRCCA模型输出的相似性响应值图；

所述Norm(·)为：

其中，S为归一化的向量。

2.根据权利要求1所述的方法，其特征在于，所述尺度S1、S2、S3分别取值：‑1

S1＝1.0572 ，S2＝1，S3＝1.0572。

3.根据权利要求2所述的方法，其特征在于，对Responsek进行边缘响应值抑制时，余弦窗权重系数设置为0.2356。

4.根据权利要求1‑3任一项所述的方法，其特征在于，该方法应用于人机交互、智能机器人、自动驾驶、视频监控和智慧城市中。