1.一种无人机目标跟踪方法，其特征在于，所述无人机目标跟踪方法包括：利用ImageNet数据集进行主干网络的预训练；基于孪生网络结构，使用深度学习框架PyTorch搭建SiamTCP无人机跟踪模型；在多个视频数据集上训练SiamTCP无人机跟踪模型，通过损失函数更新网络的参数。

2.如权利要求1所述的无人机目标跟踪方法，其特征在于，所述无人机目标跟踪方法包括以下步骤：步骤一，进行主干网络的初始化；

步骤二，构建基于目标感知级联像素匹配的无人机目标跟踪模型；

步骤三，进行无人机目标跟踪模型的训练。

3.如权利要求2所述的无人机目标跟踪方法，其特征在于，所述步骤一中的主干网络采用改进的GoogLeNet；将主干网络在ImageNet图像分类数据集上进行预训练，进而初始化主干网络的权重。

4.如权利要求2所述的无人机目标跟踪方法，其特征在于，所述步骤二中的基于目标感知级联像素匹配的无人机目标跟踪模型的构建包括：使用深度学习框架PyTorch搭建SiamTCP目标跟踪模型，所述SiamTCP目标跟踪模型由改进后的主干网GoogLeNet、像素级相关、目标感知模块、级联像素匹配模块以及全卷积神经网络结构的分类和回归子网络组成；

所述SiamTCP目标跟踪模型输入采用双路分支，分别是模板和搜索区域分支，两个分支被送入CNN进行特征提取；目标感知的级联像素匹配模块包括目标感知模块和级联的像素级相关模块，用于特征融合；后续分类回归子网络用于目标定位；将模板特征分解为许多空间内核以实现高质量的特征表示，空间内核的大小为1×1；模板特征Tt沿宽度和高度进行划分，得到nt个小内核；

nt＝wt×ht；

其中，wt和ht表示模板特征的宽度和高度；将模板特征分成一组

的大小为1×1×C，C为模板特征的通道；

在部分到部分的匹配过程中，将ws和hs表示为搜索区域特征Sf的宽度和高度，将 表示为Sf中的第j行和第i列；

其中， 是Tt和 在空间维度上的第n个位置之间的相似度。

5.如权利要求4所述的无人机目标跟踪方法，其特征在于，所述目标感知模块，通过标记边界框Bt的监督生成变量模板，将Bt投影到模板特征Zt上，得到感兴趣的区域Rt，并得到新的模板特征Tt，表示为：经过处理过的模板特征Tt被分解成许多大小为1×1×C的核，C是模板特征Tt的通道，利用得到的空间核来计算逐像素的相关性；

所述级联像素匹配模块是对模板区域和搜索区域之间的特征融合进行多次级联，Sf表示经过特征提取后的搜索特征图，Tt表示经过特征提取后的模板特征图，且模板特征图是经过目标感知模块处理后得到的；SiamTCP模型将搜索特征图Sf和模板特征图Tt进行像素级互相关操作得到F1，再将像素级互相关操作得到的F1与搜索特征图Sf进行拼接操作得到F2；

通过不断将新得到的特征与模板特征进行像素级互相关操作；将所有像素级相关操作得到的特征进行拼接得到新的特征；SiamTCP模型共将操作重复三次。

6.如权利要求2所述的无人机目标跟踪方法，其特征在于，所述步骤三中的无人机目标跟踪模型的训练包括：将构建好的模型COCO、ImageNet DET、ImageNet VID、YouTube‑BB和GOT‑10k五个数据集上使用随机梯度下降训练20个迭代，将训练批次大小设置为76；在改进后的GoogLeNet中固定前10个迭代的参数，用于训练模型的头部网络；在后10个迭代中，固定主干网络中第1阶段和第2阶段的参数，并对第3阶段和第4阶段的参数进行微调；对于前5个迭代，设置一个从0.005线性增加到0.01的预热学习率；对于最后15个迭代，使用指数衰减至0.0005的学习率；在整个训练过程中，使用127个像素作为模板补丁，使用287个像素作为搜索区域。

7.一种应用如权利要求1～6任意一项所述的无人机目标跟踪方法的无人机目标跟踪系统，其特征在于，所述无人机目标跟踪系统包括：对SiamTCP网络模型进行测试和部署，用于无人机场景下的目标跟踪任务。

8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1～6任意一项所述的无人机目标跟踪方法的步骤。

9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1～6任意一项所述的无人机目标跟踪方法的步骤。

10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求

7所述的无人机目标跟踪系统。