1.一种基于改进的ResNet的透窗对象检测方法，其特征在于，其步骤如下：步骤一：对ResNet网络进行改进，得到改进的ResNet网络：改进的ResNet网络包括输入层、卷积扩张模块、批处理归一化层、激活层、池化层、第一融合层、第二融合层和输出层，输入层分别与卷积扩张模块、池化层和第二融合层相连接，卷积扩张模块与批处理归一化层相连接，批处理归一化层与激活层相连接，激活层和池化层均与第一融合层相连接，第一融合层与第二融合层相连接，第二融合层与输出层相连接；

步骤二：采集透窗图像并进行标注作为源域图像，利用透窗目标检测网络提取源域图像的特征信息，并将源域图像的特征信息输入改进的ResNet网络中进行训练，得到改进的ResNet网络模型；

步骤三：通过特征映射函数将源域图像映射到二维标签空间，得到源域图像的抽象图像；再利用编码器对抽象图像进行特征提取，并通过二元交叉熵损失函数降低误差的方式获得最优特征映射函数；

步骤四：采集目标域图像，利用最优特征映射函数将目标域图像映射在二维平面内，获得目标域图像的抽象图像；

步骤五：根据源域图像和目标域图像的抽象图像构建源域到抽象特征空间的域对比度损失函数以及目标域到抽象特征空间的域对比度损失函数；

步骤六：通过计算源域到抽象特征空间的域对比度损失函数与目标域到抽象特征空间的域对比度损失函数的差值的极小值缩小目标域图像与源域图像的抽象特征相对位置，得到修正后的目标域图像；

步骤七：利用贝叶斯分类器对步骤六中的修正后的目标域图像进行识别，得到目标的特定区域。

2.根据权利要求1所述的基于改进的ResNet的透窗对象检测方法，其特征在于，所述卷积扩张模块包括卷积层I、激活层I、卷积层II、卷积层III、卷积层IV、激活层II、卷积层V、融合层和激活层III；卷积层I与激活层I相连接，激活层I分别与卷积层II、卷积层III和卷积层IV相连接，卷积层II、卷积层III和卷积层IV均与激活层II相连接，激活层II与卷积层V相连接，卷积层V和输入层均与融合层相连接，融合层与激活层III相连接，激活层III与批处理归一化层相连接。

3.根据权利要求2所述的基于改进的ResNet的透窗对象检测方法，其特征在于，所述激活层I、激活层II和激活层III均采用参数整流线性单元作为激活函数；所述激活层采用整流器线性单元作为激活函数。

4.根据权利要求1‑3任一项所述的基于改进的ResNet的透窗对象检测方法，其特征在于，所述将源域图像的特征信息输入改进的ResNet网络中进行训练的方法为：利用改进的ResNet网络对编码器fδ(·)进行训练学习，编码器fδ(·)表示为：其中，x∈Xs，为特征空间，Xs表示透窗采集的源域图像信息，Ys为Xs对应的标签， 表示维度为d的实数集；

设 为一个锚定样本，通过计算获得正样本 则对应的负样本为

编码器fδ(·)的更新过程为：其中，xi为输入的第i个样本信息，score(·)是一个度量函数来衡量样本间的相似度，利用相似度信息对编码器fδ(·)进行训练；

利用向量内积来计算两个样本的相似度，则损失函数Lδ可以表示为：其中， 表示概率估计函数，j＝1，2，…，N‑1，N为样本总数。

5.根据权利要求1所述的基于改进的ResNet的透窗对象检测方法，其特征在于，所述特征映射函数为：

其中，ξ(·)为特征映射函数， 为第i个源域图像；

所述二元交叉熵损失函数为：

其中，LT(fδ，ξS)表示fδ对于源域图像的经验误差；

所述最优特征映射函数为：

其中， 为最优特征映射函数。

6.根据权利要求4所述的基于改进的ResNet的透窗对象检测方法，其特征在于，所述源域到抽象特征空间的域对比度损失函数为：其中， 为源域到抽象特征空间的域对比度损失函数， 表示样本图像最后一个卷积层的特征， 表示学习训练的特征，τ表示温度系数，sim(·)表示余弦相似度函数。

7.根据权利要求6所述的基于改进的ResNet的透窗对象检测方法，其特征在于，所述目标域到抽象特征空间的对比度损失函数为：其中， 为目标域到抽象特征空间的对比度损失函数。

8.根据权利要求7所述的基于改进的ResNet的透窗对象检测方法，其特征在于，所述源域到抽象特征空间的域对比度损失函数与目标域到抽象特征空间的域对比度损失函数的差值的极小值的计算方法为：

其中， 为修正参数。

9.根据权利要求1或8所述的基于改进的ResNet的透窗对象检测方法，其特征在于，所述目标域图像与源域图像的抽象特征相对位置的计算方法为：其中，di′_j′表示特征点δi′与特征点δj′的距离，|·|表示距离计算。