1.一种基于Faster R-CNN的癌细胞检测方法，其特征在于，所述方法包括以下步骤：步骤1，对数据进行预处理，对数据集进行人工标定，将数据集做成pascal_voc数据集格式，人工标定的目的是得到图片标签，标签为每张图片中癌细胞目标所在位置的左上角和右上角坐标和目标的类别；

步骤2，对数据进行初步检测，将所述数据集和图片标签作为深度学习Faster R-CNN神经网络的训练集，结合RPN及Fast R-CNN卷积神经网络对数据进行训练，得到最终癌细胞的初检测模型；

步骤3，对数据进行再检测，结合CSA算法进行癌细胞的再检测，得到的检测结果结合初检测结果，分析得到最终的癌细胞检测结果。

2.如权利要求1所述的一种基于Faster R-CNN的癌细胞检测方法，其特征在于：所述步骤2中，Faster R-CNN网络训练过程中RPN神经网络与Fast R-CNN神经网络共享卷积层，实现了一个端到端的目标检测框架，所以细胞的初步检测过程分为两部分：建议区域的产生和建议区域的检测；

其中建议区域的产生是训练RPN网络负责寻找图片中区域建议框，得到建议区域；网络结构为：前五层基于ZF网络，通过五层卷积和两层池化得到最后的卷积特征图；ZF网络之后是一层卷积层和两条卷积输出支路：左支路输出候选区域为目标的概率值；右支路输出box相关的参数，包括box的左上角坐标、宽w和长h；RPN网络核心是anchor机制，anchor机制是用来解决感受野中目标大小不同及长宽比例不一的问题，通过滑窗在卷积特征图上的滑动，以中心像素为基点，利用9个anchor映射到原图，生成可能的区域，该区域即为region proposal，同时每个区域由两部分组成：该区域属于每个类别的概率；该区域边界框左上角和长宽的坐标值；

同时建议区域的检测是判定目标所属的类别及确定目标的位置，通过RPN网络得到候选区域之后，将所得候选区域输入到Fast R-CNN网络，其中Fast R-CNN神经网络实现建议区域候选框的微调及候选框中细胞类别的确定，得到两个输出：cls score，即分类的各类别概率值和bbox，即目标框的左上角坐标及宽高值，实现细胞的初步检测。

3.如权利要求2所述的一种基于Faster R-CNN的癌细胞检测方法，其特征在于：在RPN网络之后加入ROI池化层，固定候选区域的大小，即保证图像的完整性又保留图像的原始信息；再将获得的候选区域特征图输入到两支路：左支路通过全连接层和softmax计算每个候选区域属于每个类别的概率值；右支路通过全连接层和回归算法得到每个候选区域的目标检测框。

4.如权利要求1～3之一所述的一种基于Faster R-CNN的癌细胞检测方法，其特征在于：所述步骤3中，利用CSA算法对癌细胞的黏连区域进行再检测，包括以下步骤：

3.1)确定黏连细胞区域：首先根据癌细胞之间的距离来确定哪些区域存在黏连细胞；

3.2)得到二值图像：再根据阈值分割的方法得到黏连区域的二值图像；

3.3)检测黏连细胞的轮廓：接着使用CSA算法对二值图像进行，检测出黏连细胞的轮廓；

3.4)结合Faster R-CNN检测器进行检测最终判断：最后在得到的细胞轮廓中寻找局部极大值点，这些局部最大值点即为细胞的中心点，根据CSA算法得到的中心点与Faster R-CNN检测器得到的候选框中心点进行结合判断，实现细胞的最终检测。

5.如权利要求1～3之一所述的一种基于Faster R-CNN的癌细胞检测方法，其特征在于：所述步骤3中，CSA算法借鉴霍夫变换，霍夫变换检测圆的数学原理为：x＝x0+rcosθ

y＝y0+rsinθ

该极坐标方程将每个像素点转换到极坐标，其中(x0，y0)表示每个圆的中心像素点；r为每个圆的半径值；θ表示旋转角度，取值范围为(0～360°)。在已知图像的像素点，圆半径值和旋转角度条件下，由上极坐标方程可得每个点的坐标，同时中心点处的坐标值必定最强。

霍夫变换步骤为：

step1将图像像素从2D空间坐标变换到极坐标空间；

step2在极坐标空间将各点强度归一化到0-255之间；

step3根据极坐标的R值与输入参数相等来寻找2D空间的像素点；

step4对找到的空间像素点赋予红色结果颜色；

step5返回2D空间像素集合的结果。

所以利用CSA算法，可以得到癌细胞圆心及癌细胞的轮廓圆，得到检测结果；最后将检测结果结合Faster R-CNN深度检测器的检测结果，将两个结果进行对比结合得到最终的癌细胞检测结果。