1.一种基于孪生网络的多尺度目标感知跟踪方法，其特征在于，所述方法包括以下步骤：S1.精细的特征聚合，过程如下：

S1.1根据视频序列第一帧获得的图片I1和目标的包围框信息B1，进行切片和变形获得跟踪模板Z1，在后续跟踪过程中，根据上一帧的跟踪结果Bi‑1，对输入的图片Ii，i∈[2，n]进行切片和变形获得搜索图片Xi；

S1.2将获得的跟踪模板Z1和搜索图片Xi输入预训练好的深度残差网络“ResNet‑50”，获得深度特征 和 模型会收集深度残差网络后三层CONV3，CONV4，CONV5输出的特征获得模板特征 和搜索特征S1.3将模板特征 分解成h×w个子卷积核 然后，将每个子卷积核与搜索特征 进行基础相关naive‑correlation后按通道进行连结，数学表达式如下：其中，*表示基础相关计算，最后，将获得的特征 和 两两进行像素级相关pixel‑wise correlation后按通道连结；

S2.注意力处理过程如下：

C C

S2.1将相关特征R输入通道注意力模块SENet中，首先，将相关特征R每一层的特征图通过全局平均池化层压缩成一条向量；

C

其中H和W是相关特征R 高和宽，然后将向量输入一个两层的多层感知机，最后，使用sigmoid函数将通道注意力权重映射到0‑1区间，数学表达式如下：其中， 和 是两个全连接层，σ表示sigmoid激活函数，Ac是获得的通C C

道注意力权值，将通道注意力权值A与相关特征R逐通道进行元素间的相乘：其中⊙表示扩展的元素方式乘法；

S2.2利用非局部注意力Non‑Local attention来聚合全局上下文信息，首先将特征输入三个并行1X1卷积层(θ，φ，g)降低特征通道数，获得三个特征Xθ，Xφ，Xg后进行变形操作获得 最后，通过矩阵乘法和softmax函数计算特征不同位置之间的响应值，数学表达式如下：

其中， 表示矩阵乘法，然后再将ANL与 矩阵乘法后通过一个1X1层卷积层 恢复通道数，最后原始特征 相加完成非局部注意力的优化过程：其中， 表示元素间的求和， 与 的尺寸一直，r1和r2都设置为1；

S3多尺度对象感知，过程如下：

A

S3.1将相关特征R 并行输入三个相似的卷积模块Φa，b，(a，b)∈{(7,7)，(7，13)，(13,A

7)}，然后将获得的三个特征Φa，b(R)，(a，b)∈{(7,7)，(7，13)，(13,7)}按比例线性相加；

其中，a和b表示该卷积模块的总卷积核尺寸，XMOP是聚合多尺度对象信息后的特征，αa，b是与网络一起训练的超参数；为了降低算力负担，分别使用串联的三个小卷积层kernel size＝(3，3)，stride＝1,padding＝(0，0)表示Φ7，7，串联的三个小卷积层kernel size＝(3，5)，stride＝1，padding＝(0，1)表示Φ7，13，串联的三个小卷积层kernel size＝(5，3)，stride＝1,padding＝(1，1)表示Φ13，7，如此，这三个卷积模块分别具有不同的宽高比的卷积感受野；

S4无锚预测过程如下：

S4.1将XMOP分别输入分类分支和边框回归分支，获得分类预测结果 预测的是搜索区域中固定位置(pi，pj)中包含目标的概率和不包含目标的概率；

其中wim，him和s分别表示搜索图片的宽和高以及ResNet的总步长，这里的w＝h＝25，wim＝him＝255，s＝8，边框回归分支预测结果为 预测的是固定区域中心点到四个边框的距离；

l＝pi‑x0，t＝pj‑y0，r＝x1‑pi，b＝y1‑，pj其中，(x0，y0)和(x1，y1)分别表示目标包围框的左上和右下两个角点的坐标；

Cls Reg

S4.2找到p 中最大的正样本响应位置后，去p 中查找包围框结果，最终获得目标跟踪结果。

2.如权利要求1所述的一种基于孪生网络的多尺度目标感知跟踪方法，其特征在于，所述方法还包括以下步骤：S5训练流程如下；

S5.1对训练数据集进行预处理，选取视频序列中间隔为T的两帧，根据标注信息，依照S1.1的方法裁切模板图片和搜索图片到127×127和255×255尺寸；

S5.2样本标签选取，依照大小不同的两个椭圆来分配正样本(1)、负样本(0)和忽视样本(‑1)，数学公式如下：其中，(pi，pj)是搜索图中固定锚点的位置， 表示搜索图中目标的中心点和宽高；

S5.3依次经过S1‑S4.1后，分类损失LCls和回归损失LReg分别是交叉熵损失和线性IOU，其中LCls定义如下：Cls

其中P 是预测结果，LReg定义如下：

Reg

其中， 是 中的正样本标签，P 和G分别是预测结果和目标的标注结果，最后总体的损失函数为：L＝LCls+LReg      (5)；

S5.4训练过程中，批处理大小为128，学习率从0.001下降到0.0005，使用随机梯度下降算法迭代训练20次并保存每次迭代结果，前十次迭代冻结ResNet的参数，后十次迭代以整体网络学习率的十分之一开始训练。