1.一种基于单流深度网络的RGB-D显著目标检测方法，其特征在于，该方法包括以下步骤：S1、将RGB图像和Depth图像作为单流深度网络的四通道输入；

S2、将VGG16作为基础网络，利用Conv5_3提取图像的高维特征，对高维特征进行操作，经过卷积、反卷积和卷积得到初始显著图；

S3、将初始显著图，以及Depth数据作为DRCNN循环卷积结构的输入；DRCNN通过级联的方式，一步一步优化显著结果，详细描绘显著目标的边缘信息；最后连接一个权值融合层，通过自动学习权值，将显著结果融合得到最终显著图。

2.根据权利要求1所述的基于单流深度网络的RGB-D显著目标检测方法，其特征在于，在所述步骤S3中:所述DRCNN的输入有4个，分别为上一个DRCNN的输出结果、本层的特征、初始显著图以及Depth深度信息，其核心是循环卷积层RCL，在RCL的第k个特征图的第(i,j)个单元上，它在步骤t的网络输入zijk(t)表示为：其中 和 分别为前一层的前馈输入以及当前层在时间步长为t-1的循环输入， 和 分别表示为前馈权值和循环权值， 为偏置， 为第m+1个侧边输出的显著结果， 为初始显著图，d表示初始Depth深度图，C表示卷积操作， 表示联结操作，函数 表示去除重复的输入，用在Conv5_3的侧边输出的DRCNN中，因为这一层的 与是相同的，通过该函数去除重复输入；

网络输入的激励函数表示为：

xijkm(t)＝g(f(zijkm(t)))  (3)；

其中f为修正线性单元ReLU，具体定义为：

f(zijkm(t))＝max(zijkm(t),0)  (4)；

其中g为局部响应归一化操作，目的是为了防止状态爆炸，定义为：其中f(zijkm(t))简写为fijkm(t)，K为特征图总数，N为关联归一化的局部邻居特征图的数目，α和β控制归一化的振幅；最终显著图的定义为：pm＝σ(c(g))  (6)；

其中σ为激励函数，g为g(fijkm(t))的简写。

3.根据权利要求1所述的基于单流深度网络的RGB-D显著目标检测方法，其特征在于，在所述步骤S2中：由损失函数计算损失，调整网络参数，通过多次迭代形成稳定的网络结构。

4.根据权利要求3所述的基于单流深度网络的RGB-D显著目标检测方法，其特征在于，所述损失函数为SigmoidCrossEntropyLoss。

5.根据权利要求3所述的基于单流深度网络的RGB-D显著目标检测方法，其特征在于，所述网络结构包含五个侧边输出子网络和一个直接输出子网络。

6.根据权利要求3所述的基于单流深度网络的RGB-D显著目标检测方法，其特征在于，所述网络结构的具体训练过程为：在训练中，T＝{(Xn,Yn),n＝1,2,...,N}为训练数据集，作为输入，Xn对应的真值图为 在实验中，W为基础网络VGG16层的参数，M＝6为侧边输出的数量；每一个侧边输出子网络对应一个显著输出结果，对应的权值定义为：w＝(w1,w2,...,wM)  (7)；

对每一个训练集输入 和真值图 的

所有像素使用交叉熵损失来计算损失函数，对第m阶段的预测，损失函数的定义为：其中，Pr(yi＝1|X；W,wm)为在第m个侧边输出的第i个位置的像素属于前景的概率；对最后的权值融合层的损失函数定义为：Lfuse(W,w,wf)＝-∑i∈YyilogPr(yi＝1|X；W,w,wf)+(1-yi)logPr(yi＝0|X；W,w,wf)(9)；其中，wf为权值融合层过滤器参数；所有预测的联合损失函数定义为：其中，δf和δm表示为平衡每个损失项的损失权值，计算所有损失函数后，最小化目标损失函数定义为：(W,w,wf)*＝argmin(L(W,w,wf))  (11)。