1.一种针对密集区域的两阶段遥感图像目标检测方法，其特征在于：包括如下步骤：(a)图像数据增强

对原始训练集中的每一张原始图像均依次进行旋转变换、反射变换、平移变换和对比度变换，最后把原始图像和变换后的图像统一成深度残差网络设定的输入尺寸，把统一尺寸后的图像作为对原始训练集数据增强后的训练集；

(b)构建多尺度特征提取模块

使用深度残差网络对训练集中的图像进行多尺度特征提取，将深度残差网络中的第三卷积块、第四卷积块、第五卷积块的最后一张特征图通过上采样的方式分别拼接到第二卷积块、第三卷积块、第四卷积块的最后一张特征图上，从而增加第二卷积块、第三卷积块、第四卷积块的最后一张特征图的语义性，并形成用于目标检测的特征金字塔；

训练时采用迁移学习策略，向深度残差网络导入经ImageNet数据集训练好的网络参数，将训练好的网络参数作为深度残差网络的初始化参数；

(c)对不同尺度的特征图像进行目标检测

在特征金字塔的每个像素点上设置不同尺寸的预定义边框，对预定义边框进行前景与背景的分类和位置回归得到初步预测边框，对所有初步预测边框采用非极大值抑制的方法进行筛选，再根据初步预测边框的前景概率值从筛选结果中选择出前景概率值最高的k1个初步预测边框作为初步预测前景边框；

(d)计算目标密集区域

对特征金字塔中的特征图进行区域划分，找出包含初步预测前景边框数量最多的区域，并将该区域映射到原始图像的对应区域上；

(e)对目标密集的区域进行二次目标检测

裁剪出原始图像的对应区域，将裁减出的原始图像缩放到深度残差网络设定的输入尺寸，并通过多尺度特征提取模块形成特征金字塔，在形成的特征金字塔的每个像素点上设置不同尺寸的预定义边框，对预定义边框进行前景与背景的分类和位置回归得到二次预测边框，对所有二次预测边框采用非极大值抑制的方法进行筛选，再根据二次预测边框的前景概率值从筛选结果中选择出前景概率值最高的k2个二次预测边框作为二次预测前景边框；

(f)获取目标的检测和识别结果

对初步预测前景边框和二次预测前景边框进行非极大值抑制操作过滤掉交并比大于设定阈值的预测前景边框，再根据前景概率值从过滤结果中选择出前景概率值最高的k3个预测前景边框作为可能为目标的区域，将这些可能为目标的区域作为预选边框，对预选边框所在的特征区域进行池化，统一目标特征的大小；

将统一大小后的目标特征分别放入两个全连接层后分别连接一个用于分类的分类输出层和一个用于位置回归的回归输出层，将分类输出层输出的类别概率值和位置回归层输出的位置信息共同作为目标预测边框，根据目标预测边框的位置信息和类别概率值对目标预测边框进行非极大值抑制过滤后，选择出类别概率值最大的k个目标预测边框作为目标的识别结果；进行非极大值抑制时通过设置边框的交并比阈值来调节过滤的程度。

2.根据权利要求1所述的针对密集区域的两阶段遥感图像目标检测方法，其特征在于：所述步骤(b)中，将深度残差网络中的第三卷积块、第四卷积块、第五卷积块的最后一张特征图通过上采样的方式拼接到第二卷积块、第三卷积块、第四卷积块最后一张特征图上，形成特征金字塔(P2，P3，P4，P5)，具体方法为：特征图P5：第5个卷积块的最后一张特征图经过膨胀率为2的空洞卷积，生成特征图P5；

特征图P4：先上采样第5个卷积块的最后一张特征图，再经过膨胀率为2的空洞卷积，接着与第4个卷积块的最后一张特征图进行拼接，最后经过一个卷积层生成特征图P4；

特征图P3：先上采样第4个卷积块中间层的特征图，再与特征图P4和第3个卷积块的最后一张特征图进行拼接，生成特征图P3；

特征图P2：先上采样特征图P3，再与第2个卷积块的最后一张特征图进行拼接，生成特征图P2。

3.根据权利要求1所述的针对密集区域的两阶段遥感图像目标检测方法，其特征在于：所述步骤(c)中，预定义边框的大小和长宽比根据对训练集中目标的真实边框大小统计计算获得，具体方法为：将训练集中的图像目标标签对应的真实边框大小设置为3个尺度，先求出所有真实边框的平均值，包括平均面积s、平均长度len和平均宽度wd；然后筛选出面积小于等于s的真实边框，计算筛选出的所有真实边框的平均值，包括平均面积s0、平均长度len0和平均宽度wd0；再筛选出面积大于s的真实边框，计算筛选出的所有真实边框的平均值，包括平均面积s1、平均长度len1和平均宽度wd1；

在特征图P2的每个像素点上设置一种基准的正方形边框，对应感受野边长大小为s0的开方值sq0；在特征图P2的每个像素点上设置一种长方形边框，对应感受野长和宽分别为len0和wd0；在特征图P2的每个像素点上设置另一种长方形边框，对应感受野长和宽分别为wd0和len0；

在特征图P3的每个像素点上设置一种基准的正方形边框，对应感受野边长大小为s的开方值sq；在特征图P3的每个像素点上设置一种长方形边框，对应感受野长和宽分别为len和wd；在特征图P3的每个像素点上设置另一种长方形边框，对应感受野长和宽分别为wd和len；

在特征图P4的每个像素点上设置一种基准的正方形边框，对应感受野边长大小为s1的开方值sq1；在特征图P4的每个像素点上设置一种长方形边框，对应感受野长和宽分别为len1和wd1；在特征图P4的每个像素点上设置另一种长方形边框，对应感受野长和宽分别为wd1和len1；

在特征图P5的每个像素点上设置九种正方形边框，对应感受野边长大小分别为sq0、

0.5sq0、2sq0、sq、0.5sq、2sq0、sq1、0.5sq1、2sq1。

4.根据权利要求1所述的针对密集区域的两阶段遥感图像目标检测方法，其特征在于：所述步骤(d)中，对特征金字塔中的特征图进行区域划分，具体方法为：将特征图P2划分为五个正方形区域，分别为包含左上角的左上正方形区域、包含左下角的左下正方形区域、包含右上角的右上正方形区域、包含右下角的右下正方形区域、包含中点的中间正方形区域，五个正方形区域的边长为特征图P2边长的3/5；分别在五个正方形区域上统计初步预测前景边框数量，找出包含初步预测前景边框数量最多的正方形区域，并通过感受野映射到原始图像的对应区域上。

5.根据权利要求1所述的针对密集区域的两阶段遥感图像目标检测方法，其特征在于：所述步骤(f)中，对预选边框所在的特征区域进行池化，即将预选边框所在的特征区域分成

3×3个格子，每个格子通过双线性内插的方法得到每个格子虚点的值，即每个格子的中心点的值，3×3个格子的中心点组合在一起即为统一目标特征。

6.根据权利要求1所述的针对密集区域的两阶段遥感图像目标检测方法，其特征在于：所有卷积层均使用批归一化方法进行归一化操作。