1.一种基于自适应感受野深度学习的目标检测方法，其特征在于，所述的方法包括以下步骤：

步骤1：在网上采集图片作为数据集；

步骤2：对采集到的图片进行预处理，包括随机的裁剪、翻转以及尺寸的归一化；

步骤3：对采集到的图片按照设定的比例进行划分，分为训练集和验证集；

步骤4：将训练集输入到网络中，进行训练，选取ResNet，DenseNet作为基底网络进行特征的提取；

步骤5：在基底网络提取特征的基础上，用一个浅层的网络进行预测，预测的结果维数为二维，即N*5；其中，N为ROIS的数量，5是指1个比率r,以及左上和右下的偏移信息，比率r的作用是计算众数的区间；

步骤6：在基底网络提取特征的基础上，使用RPN网络提取ROIs；

步骤7:将步骤5预测到结果作用到步骤6提取到的ROIs上，即将步骤5预测的左上角偏移和右下角偏移作用在ROIs的左上角和右下角的坐标上，通过调整ROIs的面积，从而调整Proposals所对应的感受野的面积；

步骤8:将步骤7面积调整后的ROIs进行区域归一化操作，选取每个区域内落在某个像素值区内像素值的平均值作为输出，区间的选取是根据区间内像素的数量，选取像素数量最多的区间作为最优的区间；

步骤9:将步骤8的结果分别输入到两个全连接层中，分别进行ROIs位置的回归训练以及ROIs的分类训练。

2.如权利要求1所述的一种基于自适应感受野深度学习的目标检测方法，其特征在于，所述步骤6中，将步骤4的结果输入到RPN网络中，RPN网络的主要有三个卷积，首先第一个大小为3*3数量为512的卷积进行提取特征，另外1个大小为1*1的卷积进行Anchor-box的偏移的预测，卷积核的数量为4*N，其中4指的是Anchor-boxes相对于ground-truth的偏移，N为Anchor-boxes的数量；另外一个大小为1*1的卷积核进行Anchor-boxes类别的预测，卷积核的数量为2*N，2是指类别数量，这里预测的类别为是否为背景，N是Anchor-boxes的数量；以上3个卷积权值参数均有均值为0，方差为0.001的高斯分布给出；Anchor-boxes由如下方式产生：对featuremap每个像素点按照一定的尺寸大小和比率大小产生，比如选取3个尺寸大小，3个比率大小，则每个像素点会产生9个不同大小的Anchor-boxes；将预测到的Anchor-boxes的偏移作用到Anchor-boxes得到Proposal-boxes；根据Proposal-boxes的Score,利用非极大值抑制(NMS)筛选出最终的ROIs；其中Score的计算方法如下：根据Proposal-boxes与ground-truth的重叠面积比率overlap得出；NMS即为选取score保留最高的boxes，其他boxes与score最高的boxes的面积的比若大于预先设定的阈值，则去除该box,反之则保留。

3.如权利要求1或2所述的一种基于自适应感受野深度学习的目标检测方法，其特征在于，所述步骤8中，根据步骤5预测的比率r和像素值大小进行区间的选取，方法为：迭代每个像素，每个像素的区间的像素值P乘以比率r得到差值α，区间的左值为像素值减去差值α，区间的右值为像素值加上去差值α，得到像素值区间为[P-α，P+α]；选择区间内像素数量最多的区间为最终的区间，对所选区间内的像素值取平均值，将该平均值作为该区域的输出，在进行反向传播时，将该平均值作为每个像素位置的像素值。