1.一种基于时序特征共享结构的视频目标检测方法，其特征在于，包括如下步骤：

1)在神经网络中加入时序特征共享网络结构，建立时序特征共享神经网络；

所述步骤1)具体过程如下：

1.1)时序特征共享人工神经网络是以YOLOV3为基础进行改进的视频目标检测网络，其基础网络结构为darkNet‑53，则网络输出的时序特征集合FM＝{fij|i＝1,2,3,…nframe,j＝

1,2,3,…,nlayer}，其中fij表示在第i帧图像输入网络后在网络中第j层生成的网络特征，nframe表示视频图像的总帧数，nlayer表示网络的层数；在网络的第76层、83层和96层之后分别加入时序特征共享网络结构，该结构的输入为特征fij和fkj，其中fij和fkj分别表示第i帧图像和第k帧图像输入网络后在第j层的特征输出，且满足式(1)：

1.2)其后将输入特征通过通道维度拼接操作将两部分特征叠加在一起，输入到下一层网络之中，并将特征fij输入到下一帧的目标检测计算中；在网络的最后，YOLO层对第i帧图像中的目标位置、目标类别和置信度进行输出；

2)在网络训练时通过相邻帧共享的时序神经网络训练方法，实现端到端的神经网络训练；

所述步骤2)具体过程如下：

步骤2.1)：从数据集中随机两两读取nbatch组连续视频图像和对应标签作为训练样本S＝{sp|p＝1,2,3,…,nbatch,sp＝(Iq,I(q+1),Lq,L(q+1)),q＝1,2,3,…,nframe‑1}，Iq和I(q+1)分别表示第q帧和第q+1帧的视频图像，Lq和L(q+1)分别表示第q帧和第q+1帧对应的标签，nbatch表示样本组数，nframe表示视频图像的总帧数；

步骤2.2)：将训练样本S中每组样本sp进行随机翻转、随机仿射变换、随机亮度和对比度变化的数据增广，每组样本sp中的图像和标签其数据增广方式相同，得增广后的训练样本S′；

步骤2.3)：将增广后的训练样本S′组成一个批次，输入到时序特征共享神经网络之中进行前向传播，得到图像在76层、83层和96层生成的特征图FM＝{Fp|p＝1,2,3,…,nbatch}，Fp＝(fq,f(q+1))，其中fq和f(q+1)分别为图像Iq和I(q+1)生成的特征图，fq＝{fql|l＝76,83,

96}，其中fql表示图像Iq在第l层网络输出的特征图；

步骤2.4)：将特征fq和f(q+1)分别作为彼此的共享时序特征，将特征fq和f(q+1)进行通道维度拼接操作后输入到网络中继续进行前向传播，得到第q帧图像的目标检测结果；并将特征f(q+1)和fq进行通道维度拼接操作后，输入到网络中继续进行前向传播，得到第(q+1)帧图像的目标检测结果；

步骤2.5)：根据YOLOV3的损失函数，计算前向传播的误差值，再根据误差进行反向传播；

步骤2.6)：重复步骤2.1到2.5，直至完成iter次迭代：

其中epoch为事先给定的训练轮数；

3)利用已训练完成的时序特征共享网络实现准确快速的视频目标检测。

2.根据权利要求1所述一种基于时序特征共享结构的视频目标检测方法，其特征在于，所述步骤3)具体过程如下：

3.1)读取已训练好的网络权重文件和网络配置文件，得神经网络N；

3.2)读入视频V＝{Ii|i＝1,2,3,…,nv}，Ii表示视频中第i帧图像，nv表示视频V的总帧数；

3.3)将图像Ii依次输入神经网络N进行前向传播，得图像在76层、83层和96层生成的特征图FM＝{fij|j＝76,83,96}，其中fij表示图像Ii在第j层生成的特征图；

若i＝1，则将特征fij复制一份为cfij，再将fij与cfij进行通道维度拼接操作，再将合并结果输入到网络中继续进行前向传播；反之，将特征fij与特征f(i‑1)j进行通道维度拼接操作，再将合并结果输入到网络中继续进行前向传播；

3.4)输出网络结果，得视频目标检测结果R。