1.一种基于双向特征融合和更平衡L1损失的单发多框检测器优化方法，其特征在于，该方法具体包括以下步骤：A1：对训练集图像进行预处理；

A2：构建传统单发多框检测器(Single Shot Multibox Detector,SSD)模型；

A3：基于双向特征融合和更平衡L1损失函数修改传统SSD算法模型并构建单发多框检测器优化算法(Balanced Feature Fusion SSD，BFSSD)模型，具体包括：首先采用双向特征融合模块对SSD算法模型获得的特征层中前4层进行双向特征信息融合，然后再将传统SSD算法模型的定位损失函数修改成更平衡L1损失函数(More Balanced L1 Loss)；

选择从传统SSD网络中提取出来的前4层特征层Conv4_3、Conv7、Conv8_2、Conv9_2记为S1、S2、S3、S4，构建双向特征融合模块，其中S1分辨率是S2分辨率的2倍，S3分辨率是S4分辨率的2倍；具体步骤包括：第一步：用S2上采样得到特征大小与S1相同的S2_up，S1下采样得到特征大小与S2相同的S1_down，S4上采样得到特征大小与S3相同的S4_up，S3下采样得到特征大小与S4相同的S3_down；

第二步：将S1和S2_up进行点和得到C1，S2和S1_down进行点和得到C2，S3和S4_up进行点和得到C3，S4和S3_down进行点和得到C4，再对C1进行下采样得到C1_down以便和C2相加求均值得到最后的P1，再通过对P1进行上采样得到P2，对C3进行下采样得到C3_down和C4相加求均值得到最后的P4，再通过对P4进行上采样得到P3；

所述S4、S3、S2、S1、C2和C4都采用1×1的卷积进行通道数统一，融合后的特征再利用3×3的卷积消除上采样带来的混叠效应，最后与传统SSD算法模型的S4、S3、S2、S1进行通道数统一得到的P4、P3、P2和P1；

所述更平衡L1损失函数的计算公式为：

其中，a＝c且 a和b为可变参数；

A4：对BFSSD算法模型进行训练：首先初始化BFSSD算法模型参数，其次设置学习率和最大迭代次数，然后采用批量随机梯度下降算法进行训练；

A5：对BFSSD算法模型的性能进行测试。

2.根据权利要求1所述的基于双向特征融合和更平衡L1损失的单发多框检测器优化方法，其特征在于，所述步骤A4中，对BFSSD算法模型进行训练具体包括以下步骤：A41：模型参数初始化：利用迁移学习的思想，加载VGG16在ImageNet数据集上预训练的权重，去掉全连接层；

A42：新增网络层参数的初始化：采用均匀分布随机初始化新增网络层的参数权重，激活函数为ReLu，其定义为：f(x)＝max(0,x)；

A43：设置学习率和最大迭代次数，采用批量随机梯度下降算法进行训练。