1.一种图像中目标对象的定位方法，其特征在于，包括：获取待检测图像；

根据所述待检测图像得到第一处理图像和第二处理图像，其中，所述第一处理图像为边界增强的灰度图像，所述第二处理图像为对比度增强的RGB图像；

叠加所述第一处理图像和所述第二处理图像，得到叠加结果图像；

利用改进的神经网络模型对所述叠加结果图像进行检测，以确定所述待检测图像的目标定位框，其中，所述目标定位框用于标识出所述待检测图像中的目标对象所处的图像区域；

所述利用改进的神经网络模型对所述叠加结果图像进行检测，以确定所述待检测图像的目标定位框，包括：根据所述叠加结果图像，利用所述改进的神经网络模型生成多个的特征图，其中，所述特征图用于检测目标对象；

根据所述特征图，利用所述改进的神经网络模型生成多个候选框；

从所述多个候选框中筛选出所述目标定位框；

所述改进的神经网络模型为基于mobilenet v2结构的，且所生成的特征图的数量、所述生成的候选框的数量被调整后的模型；

根据所述待检测图像得到第一处理图像，包括：根据所述待检测图像得到灰度图像和边界图像；

将所述灰度图像和所述边界图像相加，得到所述第一处理图像；

根据所述待检测图像得到第二处理图像，包括：确定图像卷积核；

利用所述图像卷积核对所述待检测图像进行卷积核滤波，得到所述第二处理图像；

叠加所述第一处理图像和所述第二处理图像，得到叠加结果图像，包括：利用预设的连接方式，对所述第一处理图像和所述第二处理图像进行图像卷积叠加，以得到所述叠加结果图像；

所述预设的连接方式包括route连接方式。

2.根据权利要求1所述的方法，其特征在于，所述改进的神经网络模型按照以下方式获取：对神经网络模型中的feature map进行修改，以将所述神经网络模型生成的多个特征图的数量调整为8。

3.根据权利要求2所述的方法，其特征在于，利用所述改进的神经网络模型生成多个的特征图，包括：利用所述改进的神经网络模型，通过反向传播训练，生成8个卷积核；其中，每一个所述卷积核分别对应一个维度特征；

利用所述8个卷积核，获取对应的8个特征图。

4.根据权利要求1所述的方法，其特征在于，所述改进的神经网络模型按照以下方式获取：修改神经网络模型中的设置参数，以将所述神经网络模型生成的多个候选框的数量调整为3。

5.根据权利要求4所述的方法，其特征在于，利用所述改进的神经网络模型生成多个候选框，包括：利用所述改进的神经网络模型，通过回归处理，得到3个候选框；其中，所述候选框分别携带有候选框的位置参数和置信度概率，所述置信度概率用于表征所述候选框中存在目标对象的概率。

6.根据权利要求5所述的方法，其特征在于，从所述多个候选框中筛选出所述目标定位框，包括：从所述3个候选框中，筛选出置信度概率最高的候选框作为所述目标定位框。

7.一种图像中目标对象的定位装置，其特征在于，包括：获取模块，用于获取待检测图像；

前置处理模块，用于根据所述待检测图像得到第一处理图像和第二处理图像，其中，所述第一处理图像为边界增强的灰度图像，所述第二处理图像为对比度增强的RGB图像；

叠加模块，用于叠加所述第一处理图像和所述第二处理图像，得到叠加结果图像；

确定模块，用于利用改进的神经网络模型对所述叠加结果图像进行检测，以确定所述待检测图像的目标定位框，其中，所述目标定位框用于标识出所述待检测图像中的目标对象所处的图像区域；

所述利用改进的神经网络模型对所述叠加结果图像进行检测，以确定所述待检测图像的目标定位框，包括：根据所述叠加结果图像，利用所述改进的神经网络模型生成多个的特征图，其中，所述特征图用于检测目标对象；

根据所述特征图，利用所述改进的神经网络模型生成多个候选框；

从所述多个候选框中筛选出所述目标定位框；

所述改进的神经网络模型为基于mobilenet v2结构的，且所生成的特征图的数量、所述生成的候选框的数量被调整后的模型；

根据所述待检测图像得到第一处理图像，包括：根据所述待检测图像得到灰度图像和边界图像；

将所述灰度图像和所述边界图像相加，得到所述第一处理图像；

根据所述待检测图像得到第二处理图像，包括：确定图像卷积核；

利用所述图像卷积核对所述待检测图像进行卷积核滤波，得到所述第二处理图像；

叠加所述第一处理图像和所述第二处理图像，得到叠加结果图像，包括：利用预设的连接方式，对所述第一处理图像和所述第二处理图像进行图像卷积叠加，以得到所述叠加结果图像；

所述预设的连接方式包括route连接方式。

8.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，所述指令被执行时实现权利要求1至6中任一项所述方法的步骤。