1.一种基于特征重映射的视觉目标跟踪方法，其特征在于，按照以下步骤实施：步骤1，以兼具速度和精度的SiamCAR做为基跟踪器，该基跟踪器由骨干网络φ、分类分支和回归分支三部分组成，骨干网络φ分别提取到模板特征φ(z)和搜索区域特征φ(x)，计算模板特征φ(z)和搜索区域特征φ(x)的“深度互相关”，再经过分类分支和回归分支的预处理，对应的生成分类特征图和回归特征图；

步骤2，构建干扰评估网络，将每一帧的分类特征图Hcls(z,x)送入干扰评估网络，使用1*1卷积处理多通道特征信息，得到响应图Dcls(z,x)，根据响应图Dcls(z,x)中峰值关系分析是否存在相似目标或杂波干扰；

步骤3，评估目标周围存在大量干扰发生时，启用特征重映射网络ψ处理模板特征φ(z)和搜索区域特征φ(x)，获得重映射模板特征ψ[φ(z)]和重映射搜索区域特征ψ[φ(x)]，再对重映射模板特征ψ[φ(z)]和重映射搜索区域特征ψ[φ(x)]进行“深度互相关”的分类嵌入计算，生成重映射分类响应图EHcls(z,x)；

步骤4，基跟踪器SiamCAR面对干扰场景的分类响应图性能不足，融合重映射分类响应图EHcls(z,x)，作为最终分类响应图，解算最终分类响应图，获得最终跟踪目标位置；

步骤5，在线收集目标附近的干扰信息做为干扰集目标信息所在区域做为目标集以干扰集和目标集构建在线样本集合，计算在线样本集合的损失，梯度回传更新特征重映射网络ψ的参数。

2.根据权利要求1所述的基于特征重映射的视觉目标跟踪方法，其特征在于，步骤1中，具体过程为：

1.1)SiamCAR的骨干网络φ有2个共享参数的网络分支，分别提取第一帧中目标模板z和后续帧搜索区域x的特征，使用ResNet网络的第3层和第5层特征，采用互相关运算聚合模板特征φ(z)和搜索区域特征φ(x)，生成聚合特征图H(z,x)，表达式为：H(z,x)＝φ(z)*φ(x)                    (1)

1.2)分类分支和回归分支均使用4层调整网络CNN预处理聚合特征图H(z,x)，调整聚合特征图结构获得分类特征图Hcls(z,x)和回归特征图Hreg(z,x)，再分别进行后续的分类和回归处理，输出逐个像素位置的分类响应图和回归响应图表达式为：其中，CNeti(i＝cls,reg)表示调整网络CNN，在此基础上确定骨干网络φ对应空间的目标位置posφ。

3.根据权利要求1所述的基于特征重映射的视觉目标跟踪方法，其特征在于，步骤2中，具体过程为：

2.1)构建干扰评估网络，包括特征图通道融合和干扰评估两个部分，干扰评估网络采用1*1卷积模块和3层CNN的评估模块，使用1*1卷积模块处理步骤1中分类特征图Hcls(z,x)，融合多通道特征信息，获得关于目标特征分布的响应图Dcls(z,x)；

2.2)搜寻响应图Dcls(z,x)中最大峰值点Pmain＝[Rmain]max和次峰值点Psec＝[Rsec]max，计算二者比值与干扰阈值Td关系，判定当前帧是否存在干扰，表达式为：其中，选取最大峰值点周围3*3区域表示主峰区域集合Rmain，选取次峰值点周围5*5区域表示次峰区域集合Rsec；此外，式(3)右侧的0表示无干扰，1表示存在干扰。

4.根据权利要求1所述的基于特征重映射的视觉目标跟踪方法，其特征在于，步骤3中，具体过程为：

3.1)构建特征重映射网络ψ，强化目标相关特征，

特征重映射网络ψ选用ResNet18架构，本步骤采用Conv1-Conv4的特征；

3.2)将基跟踪器的骨干网络φ对应空间的模板特征φ(z)和搜索区域特征φ(x)分别输入特征重映射网络ψ，对应的得到增强模板特征ψ[φ(z)]和增强搜索区域特征ψ[φ(x)]；

3.3)参照式(2)，在特征重映射网络ψ对应空间中进行计算，表达式为：

EHcls(z,x)＝ψ[φ(z)]*ψ[φ(x)]   (4)

式中，EHcls(z,x)表示重映射分类响应图EHcls(z,x)，根据前-背景分类概率进而解算出特征重映射网络ψ对应空间的目标位置posψ。

5.根据权利要求1所述的基于特征重映射的视觉目标跟踪方法，其特征在于，步骤4中，具体过程为：

4.1)采用线性方式加权融合分类响应图和重映射分类响应图EHcls(z,x)，表达式为：RHcls(z,x)＝λHcls(z,x)+(1-λ)EHcls(z,x)              (5)其中，RHcls(z,x)表示最终分类响应图，超参数λ表示加权融合因子，控制不同分类响应的贡献；

4.2)分析最终分类响应图中前-背景分类概率，获得最终跟踪目标位置pos。