1.一种基于对象级变换神经网络的跟踪方法，通过构建的对象级变换神经网络进行目标跟踪，其特征在于：包括以下步骤：

1)根据给定的视频序列和第一帧的标注信息Box1，获取待跟踪视频序列的跟踪模板Z和动态局部模板Zdl；其中动态局部模板Zdl由跟踪模板Z处理后获得，包含9个局部模板；

2)根据上一帧的标注信息，获取待跟踪视频序列的搜索图片Si；

3)基于步骤1)和步骤2)将跟踪模板Z、动态局部模板Zdl和搜索图片Si作为对象级变换神经网络的输入，获取特征编码后的搜索图片特征X；

4)基于步骤3)将编码后的搜索图片特征X作为角点预测网络的输入，获得当前帧中目标定位信息Boxi；

5)通过动态局部模板更新策略更新局部模板；根据步骤4)预测的Boxi，使用与步骤1)一样的方式获取当前动态局部模板Zdli；同时，根据Boxi通过PrRoIPooling获取对应Zdli中9个局部模板的特征向量，并输入到质量评估网络获取可靠性评分；根据得到的可靠性评分和动态局部模板Zdli，对历史动态局部模板Zdl中评分低的部分进行替换。

2.根据权利要求1所述的基于对象级变换神经网络的跟踪方法，其特征在于：步骤1)所述的获取待跟踪视频序列的跟踪模板Z和动态局部模板Zdl，包括以下子步骤：(11)将人为标注的跟踪目标包围框信息放大预设第一倍数，从待根据视频序列第一帧图片中裁剪出跟踪模板Z；

(12)复制一份跟踪模板Z，以滑动窗口的方式分割出九块局部模板Zdl；其中滑动窗口宽高为跟踪模板大小的二分之一，步长为跟踪模板大小的四分之一。

3.根据权利要求1所述的基于对象级变换神经网络的跟踪方法，其特征在于：步骤2)所述的获取待跟踪视频序列的搜索图片Si，具体方法为：将上一帧的跟踪结果信息Boxi‑1放大预设第二倍数，从当前待处理的帧中裁剪出搜索图片。

4.根据权利要求1所述的基于对象级变换神经网络的跟踪方法，其特征在于：步骤3)所述的获取对象级变换神经网络，包括以下子步骤：(31)跟踪模板 动态局部模板 与搜索特征

拼接在一起作为对象变换神经网络的输入

(32)将输入X进行拆分和变形后通过全卷积嵌入层进行下采样；

(33)将下采样后的特征进行特征编码；

(34)对象级变换神经网络采用分层的多阶段架构，分为三个阶段，每个阶段之前通过全卷积嵌入层对特征进行下采样；在每个阶段，重复执行相同的操作数次，编码输入特征中的目标判别性信息，其中第一阶段和第二阶段重复一次，第三阶段重复九次；

(35)特征编码部分包含级联的对象级注意力和通道注意力；其中对象级注意力采用迭k代二分聚类算法将输入 经过k个迭代后划分为2个对象簇；在第每次迭代，随机初始化两个簇中心 和 公式如下：其中 表示输入X中的某一个向量，m＝N/2；然后将簇中心移动两次保证可靠性，采用如下操作：T

[c1；c2]＝Softmax([c1；c2]X)X                         (2)其中 表示两个簇中心的拼接，T表示转置；然后计算余弦距离率r如下：

其中D(a,b)表示计算a和b之间的余弦距离；最后，对余弦距离率进行排序，将输入X划分为两个簇，具体公式如下：其中 和 表示两个划分后的簇，argsort表示获取排序后的下标；k个迭代后，对特征序列 进行空间注意力编码，具体方法如下：其中 由 经过线性层后生成；h表示计算过程中头的数量，d＝C/h，T表示转置；最终，获得经过对象级注意力编码后的特征通道注意力将编码后的特征 进行按通道编码，具体公式如下：其中 由XSA经过线性层后生成；h表示计算过程中头的数量，d＝C/h，T表示转置；最终，获得经过通道注意力编码后的特征

5.根据权利要求1所述的基于对象级变换神经网络的跟踪方法，其特征在于：步骤5)所述的动态局部模板更新策略，包括以下子步骤：(51)根据步骤1)，获取新的动态局部模板；

(52)利用PrRoIPooling从抽取对应的九个特征向量 将Xroi和跟踪模板特征 作为可靠性评分计算过程的输入；

(53)质量评估网络具体公式如下：

Sroi＝σ(W1Rroi)                             (8)其中 表示可靠性评分； 由Xroi经过全连接层生成，由XZ经过全连接层生成；W1全连接层操作，σ表示激活函数ReLU，T表示转置；

(54)为了避免引入过多跟踪目标的中间局部模板，仅再对应位置进行局部模板更新，具体如下：其中，argsort表示获取排序后的下标，topk表示选择前k个，和 分别表示历史的和当前的动态局部模板；

(55)每20帧更新一次动态局部模板。