1.一种面向航拍影像的目标跟踪方法，其特征在于，包括如下步骤：
s100在上一帧的目标位置周围，执行增量式的搜索策略；
s200采样的样本经过孪生网络和区域推荐网络，得到预测位置的目标；
s300通过计算预测位置的目标与目标模板的相似度判断预测是否成功；
若预测成功，则保存目标位置并用于下一次预测；
若系统在连续的n帧内有n帧预测失败，则判断为目标丢失，进入步骤s400；其中，1≤n≤n；
s400将检测框初始化，并置于当前帧图像的中心点，执行增量式的搜索策略，重新检测和跟踪，直到重新定位到目标。
2.根据权利要求1所述的一种面向航拍影像的目标跟踪方法，其特征在于，所述步骤s100，包括：
目标在上一帧中的位置记为pt-1，当前帧以上一帧目标位置pt-1为初始点在周围进行采样，设置一个模板尺寸大小的初始采样框，增量式地增长采样框的大小，扩大检测的覆盖区域，直至确定出目标的位置；
其中，base_w、base_h分别表示采样框的初始宽高，α1、α2表示增长系数，取值范围为[0.1,1]，w、h分别表示当前采样框的宽高。
3.根据权利要求2所述的一种面向航拍影像的目标跟踪方法，其特征在于，所述步骤s200，包括：
采样框当前的宽高记为w×h，采样的样本经过孪生网络ns和区域推荐网络nr，得到预测位置的目标。
4.根据权利要求3所述的一种面向航拍影像的目标跟踪方法，其特征在于，所述步骤s300，包括：
计算预测位置的目标与目标模板的相似度s，计算目标的具体位置pt，相似度s的取值范围为[0,1]，s为阈值；s∈[0，s)为预测失败，s∈[s，1]为预测成功；
当系统在连续的n帧内有n帧预测失败时，则判断为目标丢失，启动检测功能，重新寻找目标并设置为模板帧ft；
其中，t表示阈值，flag表示重新检测开始的标志位。
5.根据权利要求4所述的一种面向航拍影像的目标跟踪方法，其特征在于，所述步骤s400，包括：
当系统判断检测框连续n帧预测失败后，启动检测框初始化，将检测框置于当前帧图像的中心点pt，执行增量式的搜索策略，重新检测和跟踪；
当系统从目标丢失状态重新定位到目标时，从步骤s100继续顺序执行，完成持续跟踪，否则继续执行步骤s400，直到重新定位出目标。
6.根据权利要求1所述的一种面向航拍影像的目标跟踪方法，其特征在于，所述的孪生网络和区域推荐网络的训练方法：
对目标跟踪数据集和目标检测数据集进行数据增强；
从视频序列中设定模板帧ft和待跟踪帧fc并进行预处理；模板帧ft的宽高设为wt、ht，待跟踪帧fc的宽高设为wc、hc；
孪生网络ns由两个并行的resnet网络分支n1、n2，通过权值共享构成；模板帧ft和待跟踪帧fc分别输入n1、n2，依次经过卷积、池化和relu进行特征提取，conv(ft)和conv(fc)表示特征提取后输出的特征图；
区域推荐网络nr，网络内部存在两个分支bcls、breg，一个用于前景和背景的分类分支bcls，另一个用于推荐框的回归分支breg；每个分支中各包含一个特征图互相关操作用于生成相应结果；
将特征图conv(ft)和conv(fc)送入区域推荐网络nr，通过并行的两个卷积层将conv(ft)增加为含有不同通道数目的两个分支[conv(ft)]cls和[conv(ft)]reg；通过并行的两个卷积层将conv(fc)增加为含有相同特征图尺寸的两个分支[conv(fc)]cls和[conv(fc)]reg；k为特征图上设置的参考框数，k的取值范围为[1，10]；
分类分支bcls和回归分支breg分别计算互相关，互相关的定义是令模板帧的特征图conv(ft)和待跟踪帧的特征图conv(fc)进行卷积运算，得到目标的响应特征图acls和areg，网络输出2k个通道用于目标分类，4k个通道用于目标框回归；
训练网络时的分类损失lcls使用交叉熵损失，回归损失lreg使用具有标准化坐标的平滑l1损失；
归一化后的误差为：
其中，y为标签值，
λ是一个超参数，用于平衡两类损失，优化损失函数为：
loss＝lcls+λlreg
孪生网络ns和区域推荐网络nr联合训练，利用随机梯度下降对误差求偏导，共训练m个周期,初始学习率为ε1，参考框的比率设置为[r1,r2,r3,…,rp]。