1.一种融合卡尔曼滤波的孪生红外目标跟踪方法，其特征在于，包含以下步骤：S1、引入注意力机制，构建CBAM_SiamRPN++红外目标跟踪模型；

S2、在训练集上训练改进的孪生网络跟踪模型，得到收敛的跟踪模型；

S3、利用训练得到的的孪生网络跟踪模型进行在线跟踪，得到置信度得分；

S4、设定遮挡阈值，根据置信度得分判别目标是否处于遮挡状态，转到步骤S5或步骤S6进行目标跟踪；

S5、置信度得分大于阈值，目标未被遮挡，转到步骤S3，后续帧使用孪生网络进行跟踪；

S6、置信度得分小于阈值，目标进入遮挡状态，对目标位置使用卡尔曼滤波进行预测,将预测得到的位置作为本帧的跟踪结果；

S7、根据步骤S6中卡尔曼预测的位置得到下一帧搜索区域，然后转到步骤S3，直到目标脱离遮挡。

2.根据权利要求1所述的一种融合卡尔曼滤波的孪生红外目标跟踪方法，其特征在于：步骤S1具体包括： 在SiamRPN++跟踪模型的区域建议网络互相关计算相似度之前，引入CBAM注意力模块，分别对分类分支和回归分支进行空间和通道上的特征加强，由pytorch深度学习框架构建CBAM_SiamRPN++红外目标跟踪模型。

3.根据权利要求1所述的一种融合卡尔曼滤波的孪生红外目标跟踪方法，其特征在于：步骤S2具体包括：

S21、收集各种种类的红外图像序列集，将数据集的标签统一转换为VOT标准数据集形式；

S22、根据红外视频序列图片中目标的位置及尺寸，裁剪出对应的目标模板区域Z和搜索区域X，并以此图像对(Z ,X)为训练数据，构成红外训练数据集；

S23、采用SiamRPN++在COCO、ImageNet DET、ImageNet VID、Youtube‑BB数据集上的训练得到的权重文件作为初始预训练权重，在红外训练数据集上训练改进的CBAM_SiamRPN++模型并保存最终训练权重。

4.根据权利要求1所述的一种融合卡尔曼滤波的孪生红外目标跟踪方法，其特征在于：步骤S3具体包括：

S31、读取待跟踪视频序列的第一帧图片及图片中目标位置，裁剪出目标模板区域图像Z；

S32、读取待跟踪视频第t帧图片，并根据第t‑1帧中确定的目标位置，裁剪出第t帧图片的搜索区域图像X；

S33、将模板图像Z和搜索图像X输入至步骤S2训练好的孪生网络跟踪模型，经特征提取、通道和空间注意力加权后，得到分类分支和回归分支的模板特征图和搜索特征图；

S34、分别在分类分支和回归分支对模板特征图和搜索特征图进行互相关操作，获得前/背景分类概率估计和边界框位置回归估计。

5.根据权利要求4所述的一种融合卡尔曼滤波的孪生红外目标跟踪方法，其特征在于：步骤S4具体包括：

S41、根据步骤S3得到的前/背景分类概率估计，得到目标的最大置信度分数；

S42、设定遮挡阈值T，与S41得到的最大置信度分数进行比较，判断目标是否处于遮挡状态。

6.根据权利要求1所述的一种融合卡尔曼滤波的孪生红外目标跟踪方法，其特征在于：步骤S5具体包括：

S51、根据步骤S4，当置信度得分大于遮挡干扰时，判断出目标未被遮挡或脱离遮挡状态；

S52、根据步骤S3得到的边界框位置回归估计，获取到本帧跟踪得到的目标位置，裁剪出下一帧图片的搜索区域图像X，转到步骤S3，使用孪生网络跟踪器进行跟踪。

7.根据权利要求1所述的一种融合卡尔曼滤波的孪生红外目标跟踪方法，其特征在于：步骤S6具体包括：

S61、根据步骤S4，当置信度得分小于遮挡干扰时，判断出目标进入或者处于遮挡状态；

S62、根据前几帧目标的位置和速度信息，使用卡尔曼滤波对目标的运动轨迹进行预测，得到遮挡下的目标位置。

8.根据权利要求1所述的一种融合卡尔曼滤波的孪生红外目标跟踪方法，其特征在于：步骤S7具体包括：

S71、根据步骤S6预测得到的目标位置，裁剪出下一帧图片的搜索区域X；当目标连续5帧处于遮挡状态时，将搜索区域区域扩大1.5倍，裁剪出下一帧图片的搜索区域X；

S72、转到步骤S3，将S71裁剪出的下一帧搜索区域图像X输入至孪生网络跟踪模型，直至置信度得分大于遮挡阈值时，目标脱离遮挡。