1.一种基于孪生网络的视觉目标跟踪方法，其特征在于，包括：分别输入作为跟踪目标的模板图像及作为搜索范围的检测图像；采用残差网络分别提取所述模板图像的特征和所述检测图像的特征，将提取的特征输入到建立的模型预测器，得到目标样本的背景信息；将得到的目标样本的背景信息与当前帧的池化结果进行对比，最后生成目标框；

算法的详细步骤包括：步骤1：参数初始化，当t＝0时，初始化目标的位置以及将初始帧当作是测试帧z；步骤2：输入下一帧图像并定义下一帧图像是当前帧图像x；步骤3：根据测试帧与当前帧图像构建两个支并将这两个分支异步加入到ResNet模块进行特征提取；步骤

4：在残差网络提取过程中，将提取的特征运用卷积模块，进行池化；步骤5：对步骤4中特征映射输入到模型预测器，得到初始模型；步骤6：运用循环优化模块算法对步骤5的特征进行模型优化学习，得到最终的最终模型；步骤7：运用步骤6产生的最终模型与当前帧的池化结果进行卷积运算；步骤8：对步骤7得出的结果进行判别损失学习，学习结果返回到步骤6，并且对测试帧中的目标框随机生成得分与判别学习后的结果进行置信分析，生成新的目标框；步骤9返回步骤2判断是否为最后一帧图像，若不是继续执行，若是就结束；

所述模型预测器的结构具体包括：初始化模块和模型优化模块；模型预测器引入网络模块，训练模型预测器来预测下一帧目标的方位信息；模型预测器的初始化模块由一个卷积层和一个精确感兴趣池组成，从目标区域根据残差网络提取感兴趣池中的特征，得到初始模型；在模型预测器的模型优化模块中，分别处理来自模型初始化的初始模型特征、主干网络直接提取的特征以及模型优化出的反馈特征，得到最终的识别模型；

模型预测器引用基于判别式模型中的支持矢量机，模型预测器系统架构中鉴别性学习损失函数的描述公式是：；

采用最速梯度下降法计算卷积层滤波权重f，具体计算公式是：

。

2.一种基于孪生网络的视觉目标跟踪装置，其特征在于，包括：第一主模块，用于实现分别输入作为跟踪目标的模板图像及作为搜索范围的检测图像；包括执行步骤1：参数初始化，当t＝0时，初始化目标的位置以及将初始帧当作是测试帧z；步骤2：输入下一帧图像并定义下一帧图像是当前帧图像x；步骤3：根据测试帧与当前帧图像构建两个支并将这两个分支异步加入到ResNet模块进行特征提取；

第二主模块，用于实现采用残差网络分别提取所述模板图像的特征和所述检测图像的特征，将提取的特征输入到建立的模型预测器，得到目标样本的背景信息；包括执行步骤4：在残差网络提取过程中，将提取的特征运用卷积模块，进行池化；步骤5：对步骤4中特征映射输入到模型预测器，得到初始模型；步骤6：运用循环优化模块算法对步骤5的特征进行模型优化学习，得到最终的最终模型；

第三主模块，用于实现将得到的目标样本的背景信息与当前帧的池化结果进行对比，最后生成目标框；包括执行步骤7：运用步骤6产生的最终模型与当前帧的池化结果进行卷积运算；步骤8：对步骤7得出的结果进行判别损失学习，学习结果返回到步骤6，并且对测试帧中的目标框随机生成得分与判别学习后的结果进行置信分析，生成新的目标框；步骤9返回步骤2判断是否为最后一帧图像，若不是继续执行，若是就结束；

所述模型预测器的结构具体包括：初始化模块和模型优化模块；模型预测器引入网络模块，训练模型预测器来预测下一帧目标的方位信息；模型预测器的初始化模块由一个卷积层和一个精确感兴趣池组成，从目标区域根据残差网络提取感兴趣池中的特征，得到初始模型；在模型预测器的模型优化模块中，分别处理来自模型初始化的初始模型特征、主干网络直接提取的特征以及模型优化出的反馈特征，得到最终的识别模型；

模型预测器引用基于判别式模型中的支持矢量机，模型预测器系统架构中鉴别性学习损失函数的描述公式是：；

采用最速梯度下降法计算卷积层滤波权重f，具体计算公式是：

。

3.一种电子设备，其特征在于，包括：

至少一个处理器、至少一个存储器和通信接口；其中，所述处理器、存储器和通信接口相互间进行通信；

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行权利要求1所述的方法。

4.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行权利要求1所述的方法。