1.一种基于聚类算法的多层特征融合的小尺度目标检测方法，其特征在于，在特征网络提取层中将具有高分辨率特性的底层特征和具有高语义特性的高层特征进行融合并输出特征图，使得新的特征图同时具有高分辨率和高语义特性，从而提高小尺度目标的检测精度。

2.根据权利要求1所述的一种基于聚类算法的多层特征融合的小尺度目标检测方法，其特征在于，具体按照以下过程实施：步骤1：确定以VGG16为特征提取网络；

步骤2：设计基于聚类算法的多层特征融合方法，在特征网络提取层中将具有高分辨率特性的底层特征和具有高语义特性的高层特征进行融合并输出特征图，使得新的特征图同时具有高分辨率和高语义特性；在候选区域网络层使用K-means聚类算法来生成锚框；

步骤3：构建目标检测网络；

步骤4：输出小尺度目标的检测结果。

3.根据权利要求2所述的一种基于聚类算法的多层特征融合的小尺度目标检测方法，其特征在于，所述步骤1中，VGG16特征提取网络包含13个卷积层、13个激活函数层和4个池化层。

4.根据权利要求2所述的一种基于聚类算法的多层特征融合的小尺度目标检测方法，其特征在于，所述步骤2中，K-means聚类算法生成锚框的过程具体为：步骤2.1：对标注的数据集生成一个包含标注框位置和类别的TXT文件，每行都包含(xj,yj,wj,hj)，即ground truth boxes相对于原图的坐标，(xj,yj)是框的中心点，(wj,hj)是框的宽和高。

步骤2.2：给定K个聚类中心点(wi,hi)，wi，hi是anchor boxes的宽和高的尺寸，由于anchors boxes位置不固定，所以没有(x,y)的坐标，只有宽和高。

步骤2.3：计算每个标注框到聚类中心的距离D，将标注框分配给距离最近的聚类中心。

步骤2.4：所有标注框分配完毕之后，对每个簇重新计算聚类中心点，

Ni是第i个簇的标注框的个数，距离D的表达式为D(box,

centroid)＝1-IOU(box,centroid)。

步骤2.5：重复步骤2.3,2.4，直至聚类中心的保持不变。

5.根据权利要求2所述的一种基于聚类算法的多层特征融合的小尺度目标检测方法，其特征在于，所述步骤3中，构建目标检测网络的具体步骤为：将特征网络提取层的特征图和候选区域生成网络层生成的目标候选区域作为Faster R-CNN中的ROI Pooling层的输入并输出建议特征图，最后使用Faster R-CNN中的分类层进行类别分类和位置回归。

6.根据权利要求2所述的一种基于聚类算法的多层特征融合的小尺度目标检测方法，其特征在于，所述步骤4中，输出检测结果的具体步骤为：给定输入图像，经过基于聚类算法的多层融合方法生成的特征图和目标候选区域，在ROI Pooling层中，将目标候选区域映射到特征图上，并生成建议特征图。分类层使用建议特征图使用分类函数进行目标的类别分类和位置信息的回归并输出结果。