1.一种基于域适应的可自主学习目标检测方法，其特征在于：包括以下步骤：S1：采用任一通用检测器作为初始检测器，并设置所述初始检测器的置信度阈值β和自适应阈值θ，对目标域进行检测，得到正样本、负样本和难样本；所述目标域是通过监控视频得到的多帧图片；所述正样本表示目标样本，所述负样本表示除目标样本以外的其他样本，所述难样本表示无法区分为正样本或负样本的样本；

S2：从INRIA Person数据集中选择若干样本得到任一源域样本，利用CycleGAN模型将所述源域样本转换为目标域样本；

S3：将所述目标域样本作为VGG19分类器的训练集，对VGG19分类器进行训练，得到最终VGG19分类器；利用所述最终VGG19分类器对步骤S1中的难样本进行分类，加上步骤S1中的正样本和负样本，得到新的正样本和负样本；

S4：采用在线渐进学习方法，以所述新的正样本和负样本对初始检测器进行优化，得到目标检测器；

S5：利用所述目标检测器对实际目标域进行目标检测，得到检测目标。

2.如权利要求1所述的一种基于域适应的可自主学习目标检测方法，其特征在于：所述某一通用检测器为YOLO检测器。

3.如权利要求2所述的一种基于域适应的可自主学习目标检测方法，其特征在于：所述YOLO检测器用来将输入的图像划分为S×S的格子，每个格子输出的信息维度为B×(4+1)+C；其中，B为每个格子中预测物体框的个数，C为每个格子中预测类别的个数。

4.如权利要求1所述的一种基于域适应的可自主学习目标检测方法，其特征在于：所述VGG19分类器为一个二分类的分类器。

5.如权利要求1所述的一种基于域适应的可自主学习目标检测方法，其特征在于：最终VGG19分类器用以下公式进行表示：其中，Lsup为目标监督损

失；LST为语义转移损失；为超参数，用来确定语义转移损失的影响；XT表示目标域样本；YT表示目标域样本标签；G(xs)表示通过CycleGAN模型的源域样本；YS表示源域样本的标签；

表示没有标签的源域样本。