1.一个基于有效感受野的单阶段多尺度特定目标的实时检测方法，其特征包括以下步骤：

(1)基于SSD的多尺度架构

(2)构建轻量级网络，提取相应特征层构建了一个FCN全卷积网络，根据有效感受野覆盖的像素范围来选择相应网络层，分别提取了conv10_3，conv13_3，conv15_3，conv_17_3，conv_19_3相应的特征图大小分别分

83x83，41x41，41x41，41x41，20x20，步长为4,8,8,8,16，感受野尺寸为71,111,143,175,

223；

(3)训练网络

训练阶段，利用天然感受野的特性，直接对不同尺度特征图对应的每个感受野框进行分类和回归；训练过程会出现一些采样框，既不属于正样本，也不属于负样本，把这一部分的采样框进行置灰处理，即不更新网络参数；

(4)预测结果

预测阶段，不同尺度的特征层得到不同大小的预测框，得分值高于阈值的即为最终的结果，该阈值为0.5。

2.根据权利要求1所述的一个基于有效感受野的单阶段多尺度特定目标的实时检测方法，其特征在于步骤(3)具体如下：输入图像矩阵集合I＝{I1，I2…In}；I表示输入图像的矩阵，n为表示图像矩阵的索引；

经过FCN全卷积神经网络，得到conv10_3,conv_13_3,conv15_3,conv17_3，conv_19_3的特征图，网络根据不同尺度的目标对应得特征图，直接推断出目标的位置和得分，筛选出最后的得分值高于0.5的目标经过NMS去除掉IoU交并比大于0.7的目标框，剩余的目标框即为最终输出结果；得分值即网络前向传输得到的预测框包含物体的概率值，神经网络网络的所有参数通过优化以下损失函数得到：Ltotal表示总体损失函数，Lscore表示需要计算的得分概率子损失函数，Lcoordinate表示需要计算的坐标回归子损失函数，i表示特征层的索引，N用来归一化两个损失，λ用来控制正负样本的均衡，其中N＝1，λ＝0.1，表示如下：表示第j个感受野框对应区域内的每个像素， 表示第j个感受野框对应区域每个像素属于目标的概率值标签即GroundTruth，GroundTruth的边界框中心值最大为1，远离中心的位置呈现高斯分布，逐渐减小；

为网络得到的正样本框坐标值， 为GroundTruth的样本框坐标值，都表示为边界框的4个参数坐标即左上角x坐标，左上角y坐标，宽和高。