1.一种基于层级类激活图的目标定位方法，所述方法包括将待预测图像输入到卷积层级结构中，并提取出待预测图像的层级特征，生成待预测图像的层级类激活图；保留层级类激活图中的部分值，并生成能预测出待预测图像中待测目标的边界框；

其特征在于，层级类激活图的生成包括以下步骤：S1、构建待预测图像的卷积层级结构，包括在VGG19网络结构中的卷积层4‑3、卷积层4‑

4、卷积层5‑3、卷积层5‑4后面分别添加一层自定义卷积层；

S2、设置S1中所添加自定义卷积层的步长和padding；

S3、将S2中卷积层4‑3、卷积层4‑4各自对应的自定义卷积层输出的特征图按照通道进行叠加得到第一叠加层；将卷积层5‑3、卷积层5‑4各自对应的自定义卷积层输出的特征图按照通道进行叠加得到第二叠加层；

S4、将第一叠加层和第二叠加层分别进行池化依次得到池化层输出的TAn和TBn；

S5、把TAn和TBn送入到线性层中，求得分类的得分Sc；

S6、根据分类得分Sc，使用softmax函数和交叉熵损失函数对卷积网络训练，直至损失函数收敛，则训练好模型，得到权重 和 否则使用梯度下降算法更新各个权重参数继续输入待测图像进行训练；

S7、分别求出第一叠加层和第二叠加层的显著图，使用线性二插值法将其放大至待预测图像一致后，将两个显著图相加，得到层级类激活图；保留其大于最大激活值的20％的部分，并将其用于生成预测的边界框。

2.根据权利要求1所述的一种基于层级类激活图的目标定位方法，其特征在于，所述步骤S2中，卷积层4‑3和卷积层4‑4后的自定义卷积层步长均设为1，其padding均设为0；卷积层5‑3、卷积层5‑4后的自定义卷积层步长均设为1，其padding均设为1。

3.根据权利要求1所述的一种基于层级类激活图的目标定位方法，其特征在于，分类的得分的计算公式包括：

其中，Pc表示待测目标为c分类的概率；Sc表示待测目标为c分类的得分； 表示第一叠加层中待测目标为c的权重； 表示第二叠加层中待测目标为c的权重，n表示特征图的张数。

4.根据权利要求1所述的一种基于层级类激活图的目标定位方法，其特征在于，第一叠加层和第二叠加层的显著图单元值的计算公式依次表示为：其中，n表示特征图的张数； 表示第一叠加层中c类的权重； 表示第二叠加层中c类的权重；FAkn(x,y)表示在第一叠加层中第n张特征图的第(x，y)单元；FBkn(x,y)表示在第二叠加层中第n张特征图的第(x，y)单元。

5.一种基于层级类激活图的目标定位系统，其特征在于，所述系统包括：图像获取模块，用于获取待预测图像；

层级特征提取模块，用于提取出待预测图像中的层级特征；

层级类激活图构建模块，用于将层级特征构建出层级类激活图；

预测边界框计算模块，用于根据层级类激活图预测出待预测图像中待测目标的边界框；

其中，所述层级特征提取模块包括VGG19网络结构、自定义卷积层单元、叠加层单元以及池化层单元；所述自定义卷积层单元对VGG19网络结构的卷积层4‑3、卷积层4‑4、卷积层

5‑3、卷积层5‑4后面分别添加一层自定义卷积层；所述叠加层单元分别将4‑3、卷积层4‑4各自对应的自定义卷积层输出的特征图按照通道进行叠加以及将卷积层5‑3、卷积层5‑4各自对应的自定义卷积层输出的特征图按照通道进行叠加；所述池化层单元用于将叠加层单元处理后的特征图进行池化；

所述层级类激活图构建模块包括分类得分计算单元、分类函数计算单元、损失函数单元、显著图叠加单元以及激活计算单元；所述分类得分计算单元用于计算池化层单元输出结果的分类得分；所述分类函数计算单元与所述损失函数单元用于对卷积神经网络的训练；所述显著图叠加单元用于将叠加层输出的显著图进行叠加；所述激活计算单元用于计算出层级类激活图的最大激活值，并将大于最大激活值20％的部分生成预测的边界框。

6.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序；其特征在于，所述处理器执行所述程序时用于实现如权利要求1～4任一所述的方法。