1.一种基于双softmax注意力的单流单阶段目标跟踪方法，其特征在于，所述方法包括如下步骤：步骤1、基于ViT模型，将ViT模型中的编码器替换为基于双softmax注意力的编码器，得到目标跟踪模型，并将模板和搜索区域的图像输入目标跟踪模型；

步骤2、对模板和搜索区域的图像进行预处理，并输入基于双softmax注意力的编码器；

步骤3、基于双softmax注意力的编码器在每个注意力头采用两个softmax注意力对输入的特征进行注意力计算，进而对模板图像及搜索区域图像进行统一特征学习，以在模板和搜索区域之间建立自由信息流，实现模板和搜索区域之间的相互指导，得到具有目标导向性的特征信息；

步骤4、采用迭代的方式重复步骤3若干次，以动态的对模板和搜索区域特征进行关系建模，得到具有目标导向性的特征；

步骤5、将具有目标导向性的特征送入预测头分别进行分类和回归操作，得到待跟踪目标的中心位置、边界框大小及位置偏差，并根据偏差来调整中心位置，再根据边界框尺寸大小确定最终的跟踪框，得到目标跟踪结果；

步骤6、利用大规模数据集重复步骤2至步骤4以对目标跟踪模型进行预训练，得到预训练的目标跟踪模型，利用预训练的目标跟踪模型进行目标跟踪，以获取准确的目标跟踪结果；

在所述步骤3中，基于双softmax注意力的编码器在每个注意力头采用两个softmax注意力对输入的特征进行注意力计算的方法具体包括如下步骤：首先对原始输入特征进行一个层归一化，以稳定每层的输入分布，加快模型的收敛速度，对应的过程存在如下关系式：其中，

将归一化输出送入双softmax注意力模块，以进行关系建模，获取具有长期依赖关系的特征，得到注意力输出；

将注意力输出进行层归一化操作，再送入一个多层感知机，以捕捉原始输入特征之间的复杂关系，增强模型的表达能力，再将多层感知机的输出与注意力输出进行残差连接，来缓解梯度消失问题，得到双softmax注意力的编码器的输出特征，对应的过程存在如下关系式：其中，

将归一化输出送入双softmax注意力模块，以进行关系建模，获取具有长期依赖关系的特征，得到注意力输出的方法具体包括如下步骤：对归一化输出进行线性投影得到计算注意力所需的查询向量，键向量，值向量，对应的过程存在如下关系式：其中，

对查询向量进行自适应平均池化，得到代理令牌，再进行双softmax注意力计算，获取中间特征，对应的过程存在如下关系式：其中，

为保留更多的原始低级特征信息，使用残差连接将注意力计算得到的中间特征与原始输入特征相加，得到注意力输出，对应的过程存在如下关系式：多头双softmax注意力计算的过程具体包括如下步骤：将代理令牌作为查询，与键向量和值向量进行softmax注意力计算，从所有值中聚合代理特征；

将代理特征作为第二个softmax注意力中的值矩阵，将代理令牌作为键矩阵，在查询向量，代理令牌，代理特征之间进行第二次softmax 注意力的计算，得到最终输出，得到单个注意力头的输出，再将多个注意力头输出拼接，得到中间特征，对应的过程存在如下关系式：其中，

2.根据权利要求1所述的基于双softmax注意力的单流单阶段目标跟踪方法，其特征在于，在所述步骤2中，对模板和搜索区域的图像进行预处理的方法具体包括如下步骤：将输入的模板和搜索区域的图像对分割成小块；

对模板和搜索区域的图像的小块进行位置编码；

将位置编码后的小块进行展平处理，形成序列化的图像块；

将模板和搜索区域的序列化的图像块进行拼接作为基于双softmax注意力的编码器的输入。

3.根据权利要求1所述的基于双softmax注意力的单流单阶段目标跟踪方法，其特征在于，还包括有特征多样性保留操作，特征多样性保留操作包括有深度可分离卷积和残差连接操作，针对每个注意力头，对值向量依次进行深度可分离卷积操作和残差连接操作后，再与对应的注意力头的双softmax注意力计算结果结合，以恢复特征多样性，对应的过程存在如下关系式：其中，

4.根据权利要求3所述的基于双softmax注意力的单流单阶段目标跟踪方法，其特征在于，还包括代理偏置，将代理偏置与双softmax注意力计算结合以更好的利用目标的位置信息，将代理偏置与双softmax注意力计算结合的方法具体包括如下步骤：给定三个可学习的偏置分量，三个偏置分量分别为列偏置、行偏置和块偏置；

对三个偏置分量分别依次进行初始化和双线性插值操作；

将双线性插值后的三个偏置分量相加，以获取代理偏置；

将双softmax注意力计算过程中的每个注意力头的softmax注意力操作加入代理偏置以进行结合，对应的过程存在如下关系式：其中，

5.一种基于双softmax注意力的单流单阶段目标跟踪系统，其特征在于，所述系统应用如权利要求1至4任意一项所述的基于双softmax注意力的单流单阶段目标跟踪方法，所述系统包括：构建模块，用于：

基于ViT模型，将ViT模型中的编码器替换为基于双softmax注意力的编码器，得到目标跟踪模型，并将模板和搜索区域的图像输入目标跟踪模型；

学习模块，用于：

基于双softmax注意力的编码器在每个注意力头采用两个softmax注意力对输入的特征进行注意力计算，进而对模板图像及搜索区域图像进行统一特征学习，以在模板和搜索区域之间建立自由信息流，实现模板和搜索区域之间的相互指导，得到具有目标导向性的特征信息；

提取模块，用于：

对模板和搜索区域的图像进行预处理，并输入基于双softmax注意力的编码器；

采用迭代重复学习模块的操作若干次，以动态的对模板和搜索区域特征进行关系建模，得到具有目标导向性的特征；

计算模块，用于：

将具有目标导向性的特征送入预测头分别进行分类和回归操作，得到待跟踪目标的中心位置、边界框大小及位置偏差，并根据偏差来调整中心位置，再根据边界框尺寸大小确定最终的跟踪框，得到目标跟踪结果；

预训练模块，用于：

利用大规模数据集对目标跟踪模型进行预训练，得到预训练的目标跟踪模型；

跟踪模块，用于：

利用预训练的目标跟踪模型进行目标跟踪，以获取准确的目标跟踪结果。