1.一种孪生导向锚框RPN网络的实时目标跟踪方法，其特征在于，包括：S1.分别将大小为127×127×3的模板帧和256×256×3的检测帧输入到孪生网络中的对应输入端口；

S2.将通过孪生网络提取得到的特征分别输入到导向RPN网络的目标分类分支和位置回归分支，得到对应的分数图；

S3.将导向RPN网络得到的分类分数图和位置回归分数图结果融合，然后进行插值计算，即可得到跟踪的结果。

2.如权利要求1所述的孪生导向锚框RPN网络的实时目标跟踪方法，其特征在于，其中步骤S2的具体流程为:S2-1.网络将孪生网络提取到的模板帧和检测帧的特征用一个新的卷积核进行卷积，缩小了特征图的大小；

S2-2.然后将缩小后的模板帧特征输入到导向锚框网络中，进行锚框预测；

S2-3.最后将缩小后的检测帧与新的模板特征进行卷积，得到对应的分数图。

3.如权利要求1所述的孪生导向锚框RPN网络的实时目标跟踪方法，其特征在于，在步骤S2中，导向RPN网络中的目标分类分支用于区分目标和背景，该分支将会给出每个样本被预测为目标和背景的分数；位置回归分支对目标候选区域进行微调。

4.如权利要求1所述的孪生导向锚框RPN网络的实时目标跟踪方法，其特征在于，在步骤S2-2锚框预测中，首先预测哪些区域应该作为中心点来生成锚框，这是一个二分类问题；

锚框位置预测分支通过NL网络，使用1×1的卷积核与输入特征图F1进行卷积得到特征图关于被检测目标的分数图，再通过sigmoid函数得到每一点的概率值，最后输出一个与输入特征图F1相同大小的概率图；概率图上点(i，j)表示该位置可能出现被检测目标的可能性，与原图I上位置((i+0.5)s，(j+0.5)s)相对应，其中s表示特征图的步幅，即相邻锚框之间的距离；根据概率图的结果，通过设置的阈值可以确定被检测目标可能存在的位置；然后对给定锚框的中心点学习最佳的高度h和宽度w，这是一个回归问题；

形状预测分支通过一个1×1×2的卷积网络NS预测得到dh和dw，然后通过下式变换得到预测的高度h和宽度w：h＝σ·s·edh    (1)

w＝σ·s·edw    (2)

式中s为步长，σ为经验系数；

最后解决不同形状锚框与特征图中感受野不匹配问题，将锚框的形状信息直接融入到特征图中，使得输出新的特征图Fi’中每个特征点都代表一个锚框信息。

5.如权利要求4所述的孪生导向锚框RPN网络的实时目标跟踪方法，其特征在于，该非线性变换将训练目标范围从约[0,1000]缩小到了[-1,1]。

6.如权利要求4所述的孪生导向锚框RPN网络的实时目标跟踪方法，其特征在于，经验系数取为8。

7.如权利要求4所述的孪生导向锚框RPN网络的实时目标跟踪方法，其特征在于，形状预测分支通过一个1×1的卷积得到其偏移量，然后再将该偏移量与原始特征图Fi通过一个

3×3可变卷积结构网络NT得到新的特征图Fi’，并在新的特征图上进行接下来的操作；特征图上每个位置的变换如下：Fi'＝NT(Fi,wi,hi)    (4)

式中Fi表示第i个位置的特征，(wi，hi)为第i个位置对应的锚框形状。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。

10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到7任一项所述的方法。