1.一种基于局部与全局特征融合的伪装目标检测方法，其特征在于，包括如下步骤：S1、提取检测图像不同层次的初步特征；

S2、对于各个层次的初步特征，在多级特征融合过程中采用卷积操作进行通道压缩得到含有全局语义信息的中间特征，将深层特征中的全局语义信息与浅层特征中的局部边缘特征采用自上而下的特征融合策略进行融合，得到边缘特征图；

S3、将各个层次的初步特征分别与边缘特征图融合，得到不同层次的局部特征；

S4、以深层次的融合特征作为浅层次的全局特征，将每个层次的局部特征、中间特征及全局特征均通过局部和全局双通道机制进行融合，得到不同层次的上下文增强特征图；

S5、将不同层次的上下文增强特征图进行卷积操作得到检测图像的伪装目标特征图。

2.根据权利要求1所述的一种基于局部与全局特征融合的伪装目标检测方法，其特征在于，所述S2具体如下：对于不同层次的初步特征F_4、F_3、F_2、F_1；首先，使用1×1卷积对深层次特征图F_4进行通道压缩得到的P_4；再通过双线性插值将P_4上采样至与浅层次特征图F_3相同的大小，并进行拼接操作，形成特征图F_{43}，随后经过3×3卷积处理生成优化后的特征P_3；表示如下：P_3＝T_{conv3}(C(U(T_{conv1}(F_4)),F_3))其中，T_{conv3}表示3×3的卷积，T_{conv1}表示1×1的卷积，C表示进行串联操作，U表示进行上采样；

随后，重复此操作，依次将优化后的P_3上采样并与F_2拼接，得到F_{32}，再经过3×3卷积层优化生成P_2，最终将P_2上采样与F_1进行相同的融合与优化操作，生成最底层的优化特征P_1；表示如下：P_1＝T_{conv3}(C(U(T_{conv3}(C(U(P3),F_2))),F_1))最后，优化后的P_1被输入两个3×3卷积进一步提取和优化边缘特征，最终通过一个1×1卷积输出边缘特征图O_e。

3.根据权利要求2所述的一种基于局部与全局特征融合的伪装目标检测方法，其特征在于，所述S4具体如下：对于不同层次的特征，包括局部特征L_i(i＝1,2,3,4)、全局特征G_i(i＝1,2,3)以及中间特征P_i(i＝1,2,3,4)；

首先，通过串联操作进行组合形成更为丰富的输入特征，然后使用1×1卷积对串联的特征图进行通道压缩，公式如下：其中，C表示特征的拼接操作，T_{conv1}表示1×1卷积操作；T_m表示输入特征；

其次，使用不同膨胀率的空洞卷积操作分别提取局部特征和全局特征；局部特征提取时的膨胀率小于全局特征提取时的膨胀率；

最后，局部特征和全局特征提取完毕后，通过串联操作将最终的局部特征图和全局特征图结合在一起，融合后的特征通过1×1卷积进行特征压缩，并通过残差连接，将融合后的特征与最初的输入特征相加；相加后的特征通过一个3×3的卷积层进一步处理；输出最终的上下文增强特征图H_i(i＝1,2,3,4)，表达如下：H_i＝T_{conv3}(T_{conv1}(C(G_{f3},L_{f3}))⊕T_m),i∈{1,2,3,4}其中，L_{f3}、G_{f3}分别是最终的局部特征图和全局特征图；

融合后的上下文增强特征图H_i(i＝4,3,2)以深层次的融合特征作为浅层次的全局特征，对应作为全局特征图G_i(i＝3,2,1)。

4.根据权利要求3所述的一种基于局部与全局特征融合的伪装目标检测方法，其特征在于，所述局部特征通过不同膨胀率的卷积操作逐层提取，具体如下：L_{f1}＝Conv_{3×3,d＝1}(T_m)

L_{f2}＝Conv_{3×3,d＝2}(L_{f1}⊕G_{f1})L_{f3}＝Conv_{3×3,d＝3}(L_{f2}⊕G_{f2})其中，Conv_{3×3,d＝1}表示空洞卷积3×3、d＝1，d表示膨胀率，⊕表示逐一元素相加；G_{fi}(i＝1,2)表示全局操作所得到的全局特征图；L_{fi}(i＝1,2,3)表示局部操作所得到的局部特征图。

5.根据权利要求4所述的一种基于局部与全局特征融合的伪装目标检测方法，其特征在于，所述全局特征通过不同膨胀率的卷积操作逐层提取，具体如下：G_{f1}＝Conv_{3×3,d＝3}(T_m⊕L_{f1})G_{f2}＝Conv_{3×3,d＝4}(G_{f1}⊕L_{f2})G_{f3}＝Conv_{3×3,d＝5}(G_{f2}⊕L_{f3})其中，L_{fi}(i＝1,2,3)是局部操作所得到的局部特征图。

6.根据权利要求3所述的一种基于局部与全局特征融合的伪装目标检测方法，其特征在于，所述S5具体如下：将三个层次的上下文增强特征图H_i(i＝1,2,3)进行1×1卷积操作，生成伪装目标预测特征O_i(i＝1,2,3)，选择O_1作为最终预测目标。

7.根据权利要求1所述的一种基于局部与全局特征融合的伪装目标检测方法，其特征在于，所述S1中采用Backbone网络提取检测图像不同层次的初步特征。

8.一种应用于权利要求1-7任一所述方法中的基于局部与全局特征融合的伪装目标检测模型，其特征在于，包括：特征提取模块，采用Backbone网络提取检测图像不同层次的初步特征；

多尺度融合模块，采用自上而下的特征融合策略，对于输入不同层次的初步特征，将深层特征中的全局语义信息与浅层特征中的局部边缘特征进行多级特征融合，得到边缘特征图；且提取不同层次的含有全局语义信息的中间特征；

边缘引导特征模块，采用BGNet中EFM模块，将初步特征与边缘特征图结合得到局部特征；

局部全局特征融合模块，通过局部和全局双通道机制，将每个层次的局部特征、中间特征及全局特征进行融合。