1.一种基于跨模态多尺度特征融合的对象检测方法，其特征在于，所述基于跨模态多尺度特征融合的对象检测方法，包括：采用第一数据集训练预训练模型，所述第一数据集包括已标注图像中物体类别的RGB图像，基于预训练模型初始化单模态的RGB检测网络模型；

采用第二数据集中的RGB图像对RGB检测网络模型进行训练，所述第二数据集包括已标注图像中物体类别和位置的RGB图像及对应的深度图像；

基于已训练好的RGB检测网络模型，初始化单模态的深度图检测网络模型；

采用第二数据集中的深度图像对深度图检测网络模型进行训练；

基于已训练好的RGB检测网络模型和深度图检测网络模型，初始化融合网络模型并进行多尺度特征融合；

采用配对的已标注图像中物体类别和位置的RGB图像和深度图像，对融合网络模型进行训练；

采用已训练好的融合网络模型对颜色深度图像中的对象进行检测。

2.根据权利要求1所述的基于跨模态多尺度特征融合的对象检测方法，其特征在于，所述基于已训练好的RGB检测网络模型，初始化单模态的深度图检测网络模型，包括：复制RGB检测网络模型的网络参数，作为深度图检测网络模型的网络参数。

3.据权利要求1所述的基于跨模态多尺度特征融合的对象检测方法，其特征在于，所述基于已训练好的RGB检测网络模型和深度图检测网络模型，初始化融合网络模型并进行多尺度特征融合，包括：

复制RGB检测网络模型和深度图检测网络模型的网络参数，作为融合网络模型中两个特征提取部分的权重；

用多个融合层来结合两个特征提取部分提取的多尺度特征。

4.据权利要求3所述的基于跨模态多尺度特征融合的对象检测方法，其特征在于，所述融合网络模型在训练的时候采用Multibox Loss作为损失函数。

5.据权利要求1所述的基于跨模态多尺度特征融合的对象检测方法，其特征在于，所述对RGB检测网络模型进行训练、对深度图检测网络模型进行训练、对融合网络模型进行训练时，还包括：

对输入数据进行数据增强处理。

6.据权利要求3所述的基于跨模态多尺度特征融合的对象检测方法，其特征在于，所述对融合网络模型进行训练时，还包括：冻结特征提取部分的权重。