1.一种针对视觉目标跟踪的对抗样本攻击方法，其特征在于，该方法首先选取ImageNet数据集中若干类作为干扰图像数据集并在其上添加特定补丁，接着通过优化原始图像的特征使其在特征空间内接近这些干扰图像而在像素空间保持不变，最后替换测试集的部分图像执行跟踪算法，对视觉目标跟踪算法的攻击效果；

针对视觉目标跟踪的对抗样本攻击方法包括：

S1，随机干扰图像选取，并添加补丁：在ImageNet数据集中，随机选取若干类别图像作为干扰图像，并在干扰图像的随机位置添加一个大小为80×80像素的补丁；

S2，扰动测试图像特征，生成对抗样本：在干扰图像数据集和跟踪测试集中图像进行匹配，选取特征最接近的作为一对，通过优化测试集中原始图像，使其接近配对干扰图像特征，并保持原像素空间尽量不变，并采用标准梯度下降方法进行优化，以此生成对抗样本；

S3，样本替换，攻击目标跟踪算法：将生成的对抗样本替换至原始测试集，每个视频序列只替换50张图像，形成对抗测试集；并用于目标跟踪模型测试，评估跟踪结果即攻击效果；

S1中选取ImageNet数据集中若干类作为干扰图像数据集，ImageNet数据集共包含

14197122张图片，共1000类别，只需选取少量类别，即可获得足够干扰图像。

2.如权利要求1所述的针对视觉目标跟踪的对抗样本攻击方法，其特征在于，S2中USAE对抗样本生成过程包括：令原始图像为c，干扰图片为a，补丁为p，将补丁p粘贴至a上得到加上补丁的干扰图像为 通过下式生成对抗样本y：st.||y‑c||∞<∈；

其中的f(·)是深度模型的中间特征，为AlexNet的fc7全连接层；∈值很小，设为16，是为了确保中毒数据y和目标图片在特征空间非常接近。

3.如权利要求1所述的针对视觉目标跟踪的对抗样本攻击方法，其特征在于，S2中，使用标准梯度下降方法对模型进行梯度优化，经过若干次迭代后，可得到优化后生成方程：其中yx为获得的对抗样本第x次迭代，m(x)为一一对应匹配函数， 即为对应添加补丁后的干扰图像。

4.如权利要求1所述的针对视觉目标跟踪的对抗样本攻击方法，其特征在于，S3对于任意数据集都可生成相应对抗样本，对于任意跟踪器都具有通用的攻击性。

5.一种应用如权利要求1～4任意一项所述的针对视觉目标跟踪的对抗样本攻击方法的针对视觉目标跟踪的对抗样本攻击系统，其特征在于，针对视觉目标跟踪的对抗样本攻击系统包括：图像选取模块，用于进行随机干扰图像选取，并添加补丁：选取ImageNet数据集中若干类作为干扰图像数据集，并在干扰图像的随机位置添加一个大小为80×80像素的补丁；

样本生成模块，用于扰动测试图像特征，生成对抗样本：在干扰图像数据集和跟踪测试集中图像进行匹配，选取特征最接近的作为一对，通过优化测试集中原始图像，使其接近配对干扰图像特征，并保持原像素空间尽量不变，并采用标准梯度下降方法进行优化，以此生成对抗样本；

样本替换模块，用于进行样本替换，攻击目标跟踪算法：将生成的对抗样本替换至原始测试集，每个视频序列只替换50张图像，形成对抗测试集；并用于目标跟踪模型测试，评估跟踪结果即攻击效果。

6.一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～4任意一项所述的针对视觉目标跟踪的对抗样本攻击方法的步骤。

7.一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～4任意一项所述的针对视觉目标跟踪的对抗样本攻击方法的步骤。

8.一种信息数据处理终端，信息数据处理终端用于实现如权利要求5所述的针对视觉目标跟踪的对抗样本攻击系统。