1.一种基于运动特征和深度学习特征的无人机小目标检测方法，其特征在于：该方法包括以下步骤：S1：通过视频稳像算法对输入的视频的数据集进行处理，补偿摄像头运动；

S2：通过低秩矩阵分析方法从运动补偿后的视频图像中检测运动候选目标区域Ⅰ，并通过图像后处理模块去除运动候选目标区域Ⅰ中细小的噪声点；

S3：将视频的数据集分为训练集和测试集，利用训练集训练得到改进的候选区域生成网络模型；通过改进的区域生成网络模型对测试集的视频图像处理生成候选目标区域Ⅱ；

S4：将候选目标区域Ⅰ和候选目标区域Ⅱ进行融合得到候选目标区域Ⅲ；

S5：根据候选目标区域Ⅲ，利用训练集训练得到基于双通道的深度神经网络，然后将基于双通道的深度神经网络应用于测试集的候选目标得到识别结果；

S6：利用相关滤波算法预测目标的位置，跟踪匹配稳定的目标，滤除虚假目标，得到无人机所在位置。

2.根据权利要求1所述的一种基于运动特征和深度学习特征的无人机小目标检测方法，其特征在于：步骤S1中，所述的视频稳像算法包括：S11：利用SURF算法对每一帧图像提取特征点；

S12：通过得到的两帧图像之间的特征匹配点计算得到两帧之间的仿射变换模型；

S13：利用得到的仿射变换模型对当前帧进行补偿。

3.根据权利要求1所述的一种基于运动特征和深度学习特征的无人机小目标检测方法，其特征在于：步骤S2中，利用低秩矩阵分析方法检测运动候选目标区域Ⅰ的过程包含以下步骤：S21：将输入视频序列图像数据{f1,f2,...,fn}向量化构成图像矩阵其中n为视频帧数，fn为第n帧视频图像矩阵， 为fn向量化后的图像矩阵；

S22：通过RPCA算法将矩阵C分解为低秩矩阵L和稀疏矩阵S，其中得到的低秩矩阵L表示目标背景，稀疏矩阵S表示得到的候选运动目标；

S23：利用形态学开闭运算对得到的候选运动目标进行噪声滤除处理，滤除运动候选区域中细小的噪声点。

4.根据权利要求1所述的一种基于运动特征和深度学习特征的无人机小目标检测方法，其特征在于：步骤S3中，所述改进的候选区域生成网络模型包含依次连接的五个卷积层和两个全连接层，其中第一层卷积层与第二层卷积层之间、第二层卷积层与第三层卷积层之间以及第五层和第一全连接层之间均设置有池化层；

步骤S3具体为：

S31：将视频的数据集分为训练集和测试集；

S32：对于训练集的数据，提取图像中的人工标注的正样本，然后随机采样若干区域作为负样本；

S33：利用训练集的正负样本训练得到改进的候选区域生成网络模型；

S34：通过改进的区域生成网络模型对测试集的视频图像处理生成候选目标区域Ⅱ。

5.根据权利要求4所述的一种基于运动特征和深度学习特征的无人机小目标检测方法，其特征在于：步骤S32中随机采样的区域的宽度和高度大小范围由正样本的宽度和高度决定，且负样本与正样本的重叠区域满足：其中IoU为重叠率，rg为正样本区域，rn为随机采样负样本区域。

6.根据权利要求4所述的一种基于运动特征和深度学习特征的无人机小目标检测方法，其特征在于：步骤S4中融合得到候选目标区域Ⅲ具体为：S41：对候选目标区域Ⅰ进行密集采样得到密集种子候选区域；

S42：计算密集种子候选区域与候选目标区域Ⅱ之间的相似性，当满足时合并两个候选区域，其中，Sim为密集种子候选区域与候选目标区域Ⅱ的相似度；

S43：遍历所有的候选目标区域Ⅰ得到最终的候选目标区域Ⅲ。

7.根据权利要求6所述的一种基于运动特征和深度学习特征的无人机小目标检测方法，其特征在于：步骤S5中，所述基于双通道的深度神经网络包含前端模块和后端模块；

所述前端模块由两个并行的深度神经网络模型组成，其中一个以候选目标区域直接作为输入，经过一个6层卷积神经网络和1个全连接层；另一个以候选目标区域为中心，在原图目标区域上建立一个扩展区域作为输入，经过一个6层卷积神经网络和1个全连接层；

所述后端模块以前端模块得到的两个全连接层的输出作为输入，经过2个全连接层和1个softmax层得到每个候选区域的分类信息作为最终的分类结果；

步骤S5具体为：

S51：对于训练数据集，将步骤S4得到的候选目标区域Ⅲ的训练数据集分为正负样本，输入到基于双通道的深度神经网络训练得到最优权重；

S52：将最优权重应用到步骤S4得到的测试集的候选目标区域进行分类，得到最终的识别结果。

8.根据权利要求4所述的一种基于运动特征和深度学习特征的无人机小目标检测方法，其特征在于：步骤S6具体包括：S61：已知当前帧t的前一帧目标的中心位置(xt-1,yt-1)，对于步骤S5中训练得到的改进的候选区域生成网络模型，将改进的候选区域生成网络模型的最后三层卷积层得到的卷积特征图阵列进行稀疏化，然后利用稀疏化后的特征图提取目标的深度特征；

S62：对改进的候选区域生成网络模型的最后三层卷积层的输出特征分别构造相关滤波器，由后向前，将每一层的特征与对应的相关滤波器进行卷积，计算相应的置信分数f，从而得到候选目标在当前帧的新的中心位置(xt,yt)；

S63：在新的中心位置周围提取深度特征，更新相关滤波器的参数；

S64：考虑到无人机目标运动的稳定性和连续性，对于跟踪帧数少于阈值的候选目标区域轨迹进行滤除，最终得到的跟踪目标为无人机的检测结果。

9.根据权利要求8所述的一种基于运动特征和深度学习特征的无人机小目标检测方法，其特征在于：构造相关滤波器的步骤为：S621：设输出特征的大小为M×N×D，深度特征为x，构造相关滤波器的目标函数：其中，w*为相关滤波器的目标函数，w为相关滤波器，xm,n为在(m,n)像素处的特征，λ为正则化参数λ(λ≥0)，y(m,n)表示在(m,n)处像素的标签；

y(m,n)服从二维高斯分布：

其中σ为高斯内核的宽度；

S622：利用快速傅里叶变换将目标函数转换到频域，得到目标函数的最优解，dY是y的傅里叶变换，⊙表示Hadamard积，W为目标函数的最优解， 为深度特征x的傅里叶变换，i为第i通道，d为通道顺序,d∈{1,2,…，D}；

S623：给定下一帧图像的候选目标区域，对于候选区域的深度特征z，对应相关滤波器的响应图为：其中F-1表示傅里叶变换，表示深度特征z的傅里叶变换。

10.根据权利要求9所述的一种基于运动特征和深度学习特征的无人机小目标检测方法，其特征在于：步骤S63中更新相关滤波器的参数满足：Pt、Qt为中间变量，Wt为更新后的第t帧的相关滤波器的目标函数，t为视频帧号，η为学习率。