1.一种基于深层特征和浅层特征融合的目标检测方法，其特征在于，包括以下步骤：

1)构建目标检测网络模型，包含分类网络+特征融合网络+预测网络；

2)获取数字图像，分为训练集和测试集；

3)将图像增强过后的图片x首先输入到分类网络进行特征提取，然后再将特征提取的结果输入到特征融合网络进行特征融合，所述特征融合的具体步骤如下：

3‑1)将处理后的图像输入到DenseNet169网络中进行CNN特征的提取；

3‑2)将提取到的特征进行融合，具体分为6个不同尺度的分支，分别为scale_1、scale_

2、scale_3、scale_4、scale_5、scale_6；其中scale_1、scale_2和scale_3三个分支首先对提取的特征进行平均均值化和最大值池化，然后对结果进行相加，如公式(1)所示；

X为Densenet169提取的CNN的特征，k为池化核大小，i，j指代池化核的宽度和高度坐标，m，n为输出特征值的坐标，Max操作是指从X的左上角为起始点划定k×k的区域，选取区域内的最大值xi,j，并和区域内的均值进行相加进行融合得到ym,n，让操作区域在宽度和高度两个维度以步长为1进行遍历，得到融合后的特征图Y；

scale_4不做任何处理，直接输入到最后的预测模块；

scale_5、scale_6两个分支对特征进行像素重组和逆卷积，如公式(2)所示；

Y＝PixelShuffle(X,ratio)+deconvolution(X,stride,padding,output_padding) (2)Y为整个特征图的输出响应，其中PixelShuffle操作是将输入的特征图X的通道数c这一维度进行缩减，增加宽度w和高度h的数量，整体特征总数保持不变；deconvolution是指逆卷积操作，将特征图X逆卷积成和PixcelShuffle操作输出一样的维度，其中stride是卷积的步长，padding是特征图填充像素数量，output_padding是输出特征图的像素填充数量，最后将两种操作的输出相加得到最后的融合特征图Y；

最后利用融合后的特征图对模型进行分类和回归得到预测值，使用预测值、标签y、预选框匹配结果和Loss函数计算得到误差进行反向传播，更新网络模型中参数，通过多次迭代训练得到了保存模型参数的文件；

4)对模型进行测试，首先将训练保存的参数文件导入预测网络模型，然后把测试集中的图片x输入到预测网络模型中，得到冗余的预测值，最后通过NMS算法去除冗余的预测值，得到最终结果。

2.根据权利要求1所述的基于深层特征和浅层特征融合的目标检测方法，其特征在于，所述Loss函数设计过程如下：使用softmaxloss来进行分类，使用了smoothl1进行位置拟合；

首先要进行预选框的匹配，计算预选框坐标a和定位标签g的IOU值，此处预选框的生成机制和匹配策略采用SSD算法当中的方法，将IOU大于0.5的预选框索引设为1，然后将标签分类标签c和定位标签g赋值给标记为1的预选框，通过L_conf和L_loc计算分类损失和定位损失，最后将误差反向传播，更新网络参数；

具体公式如下：

其中x为分类预测向量，c为分类标签，l为定位预测向量，a为预选框坐标，g为定位标签；L_conf是分类损失，L_loc是定位损失；其中i为预选框的索引，j为图像中对象的索引，p为分类向量中每个元素的索引，cx,cy是预测框与真实框的中心偏移量，w为宽度偏移量，h为高度偏移量。

3.根据权利要求1所述的基于深层特征和浅层特征融合的目标检测方法，其特征在于，所述图像增强具体过程如下：所述图像增强包括随机剪裁，随机亮度，随机扩展，随机镜像，将四种处理方式随机组合处理图像；将得到的处理后图像进行重采样处理，并且进行零均值化处理。

4.根据权利要求1所述的基于深层特征和浅层特征融合的目标检测方法，其特征在于，所述预测值计算具体步骤如下：将得到的六个特征图进行BatchNorm(BN),Relu，然后分别输入到六个预测网络，预测网络有两个分支处理Y，第一个分支将Y进行连续的3个1×1卷积操作，分别为1×1conv(Y_c,512),1×1conv(512,512),1×1conv(512,1024),Y_c是指输入的特征图Y的通道数，第二个分支将Y进行1×1conv(Y_c,1024),最后将两个分支的结果相加，最后进行分类预测1×

1conv(1024,num_class*num_prior)和位置预测1×1conv(1024,4*num_prior)，其中num_class是指要识别物体类别的数量，num_prior是指每个位置预选框的数量，4是指位置坐标的数量。

5.根据权利要求1所述的基于深层特征和浅层特征融合的目标检测方法，其特征在于，所述NMS算法去除冗余预测值的具体步骤如下：先将每一类的置信度最高并且超过0.5的框选定作为初始框的某一个框，让剩余的这类的预测框分别计算和这个初始框的IOU，将IOU超过0.1的预测框移除。