1.一种基于孪生网络的目标跟踪通用鲁棒对抗攻击方法，包括以下步骤：S1，从数据集视频中采样干净模板和干净搜索区域 ，获取训练样本集；

S2，获取干净模板和Z张干净搜索区域 ，通过Numpy库分别将每一张干净搜索区域经过 变换生成搜索区域丰富数据样本 ( )；所述 变换为随机变换，包括光照模拟、旋转、翻转、填充；

S3， 通过pytorch函数随机初始化一个初始扰动图像U，该初始扰动图像U与干净搜索区域尺寸相同；将初始扰动图像U添加到搜索区域丰富数据样本 ( )中，形成对抗搜索区域 ；

S4，将搜索区域丰富数据样本 ( )、对抗搜索区域 、干净模板送入SiamFC++跟踪器中，获取边框原始分数排序列表Rank及添加扰动后的分数排序列表 ；

S5，计算真实目标框与SiamFC++跟踪器每一个预测框的GIOU分数，并从小到大排序；

S6，通过排序函数计算原始分数排序列表Rank中最高分数所对应框的索引index，计算GIOU分数最小的框所对应框的索引gindex，执行flip翻转攻击；

S7，计算搜索区域中GIOU＞0.7的框所对应的尺度{ },执行scale尺度攻击；其中 表示尺度图，代表的是预测边框的宽和高的值；

S8，引入感知损失 ，确保对抗搜索区域 与搜索区域丰富数据样本 的像素差绝对值不超过扰动的最大值；

S9，联合更新通用对抗扰动，通过Numpy库引入 变换；所述 变换包括平移和多尺度调整大小；所述步骤S9，具体包括：S9‑1，以 flip翻转攻击损失、scale尺度攻击损失、perp感知损失作为优化目标，对第j‑1次优化后的扰动图像进行迭代优化，得到第j次优化后的扰动图像，总损失具体描述为：；

其中 代表总损失函数，  表示翻转攻击损失函数， 表示尺度攻击损失函数， 表示感知损失；

S9‑2，采用动量随机梯度下降，针对总损失 对第j‑1次优化后的扰动图像进行反向传播迭代优化，更新扰动图像；

将更新第i次迭代时的扰动图像记为 ，更新过程具体表示为：；

；

；

其中 是第i次迭代的动量，是动量的参数，取0.5； 是符号函数，当 大于0时，则 返回1；当 等于0时，则 返回0；当 小于0，则 返回‑1；lr是学习率，是梯度， 是第i次后的扰动图像；代表最大扰动值；min()代表取两数中的小值，max()代表取两数中的大值；

S9‑3，对通用对抗扰动引入 变换，得到新一轮迭代后的扰动，重复步骤S4‑S8继续进行迭代优化；

S10，当优化目标收敛时，将当前扰动图像作为最佳通用扰动图像并输出，所述优化目标收敛是指模型在训练过程中梯度变化趋于平缓的状态，当优化目标随着迭代次数增加，损失变化很小且趋于平缓时，此时优化目标收敛。

2.如权利要求1所述的基于孪生网络的目标跟踪通用鲁棒对抗攻击方法，其特征在于，所述步骤S3中，随机初始化处理后的初始扰动图像U的数值在（‑10，10）之间；扰动约束条件为 ≤10。

3.如权利要求1所述的基于孪生网络的目标跟踪通用鲁棒对抗攻击方法，其特征在于，步骤S4的实现过程如下：S4‑1，对第j次迭代，将第j‑1次优化后的扰动图像线性加在第j个视频中的第N张搜索区域丰富数据样本中，得到第j个视频的对抗搜索区域，将j‑1次优化后的扰动图像记为；

其中1≤j≤M，1≤N≤P，M为训练样本集中视频的数量；P为第j个视频中搜索区域的总数量；第0次优化后的扰动图像为随机初始化的扰动图像；

S4‑2，根据第j个视频训练样本搜索区域及SiamFC++跟踪器置信度分数图，获取P个搜索区域的边框原始分数排序列表Rank及干扰后分数排序列表Rank'。

4.如权利要求1所述的基于孪生网络的目标跟踪通用鲁棒对抗攻击方法，其特征在于，所述步骤S5中，SiamFC++跟踪器预测的结果GIOU取最小值。

5.如权利要求1所述的基于孪生网络的目标跟踪通用鲁棒对抗攻击方法，其特征在于，所述步骤S6中，执行flip翻转的具体计算公式如下:；

其中 为翻转攻击损失函数，P为第j个视频中搜索区域的总数量； 表示GIOU值最小的框在排序列表中所对应的置信度分数， 代表在添加扰动后原来最高分数的框所对应的置信度分数。

6.如权利要求1所述的基于孪生网络的目标跟踪通用鲁棒对抗攻击方法，其特征在于，所述步骤S7中，执行scale攻击的具体公式如下：；

其中 为尺度攻击损失函数，n代表第j个视频中GIOU>0.7的边框的个数， 代表范数； 表示尺度图，代表的是预测边框的宽和高的值； 是预先自定义的宽和高，是（0，1）之间的随机数。

7.如权利要求1所述的基于孪生网络的目标跟踪通用鲁棒对抗攻击方法，其特征在于，所述步骤S8引入感知损失 ，具体公式如下：；

其中 是感知损失，P为第j个视频中搜索区域的总数量； 为MSE Loss； 代表搜索区域丰富数据样本； 代表对抗搜索区域。

8.如权利要求1所述的基于孪生网络的目标跟踪通用鲁棒对抗攻击方法，其特征在于，所述步骤S9‑2中，对第j次迭代优化时，判断第j‑1次优化后的扰动图像的像素值是否大于最大约束；

若第j‑1次优化后的扰动图像的像素值大于最大约束值，认为扰动处于饱和状态，将δ重新缩放到原来的一半，继续迭代优化；

若第j‑1次优化后的扰动图像的像素值小于等于最大约束值时，则无需对当前扰动图像δ进行缩放，维持原样，继续迭代优化。