1.一种基于深度强化网络跳跃连接的轮廓检测方法，其特征在于包括以下步骤：A、构建深度神经网络结构，深度神经网络结构具体如下：设定4个等级，分别为等级Ⅰ‑等级Ⅳ，其中，等级Ⅰ中包含5个阶段，分别为阶段Ⅰ‑阶段Ⅴ，所述的每个阶段中分别设置有一个以上的卷积层；所述的等级Ⅱ中设有5个卷积层，分别对应等级Ⅰ中的阶段Ⅰ阶段Ⅴ，设为卷积层Ⅰ‑卷积层Ⅴ；所述的等级Ⅲ设有3个卷积层，分别为卷积层Ⅵ‑卷积层Ⅷ；所述的等级Ⅳ设有1个卷积层Ⅸ；

所述的阶段Ⅰ‑阶段Ⅴ以及等级Ⅱ的卷积层公式为m*n‑k conv+relu，其中，m*n表示卷积核的大小，k表示输出通道数，conv表示卷积公式，relu表示激活函数；m*n、k均为预设值；

所述的卷积层Ⅵ‑卷积层Ⅸ的卷积层公式为m*n‑k conv；

所述的阶段Ⅰ的第一卷积层的输入响应为原始图像，阶段Ⅰ的其他卷积层的输入响应为该阶段上一卷积层的输出响应；

阶段Ⅱ‑阶段Ⅴ中，除了该阶段中的第一卷积层的输入响应之外，该阶段中的其他卷积层的输入响应为上一卷积层的输出响应；

阶段Ⅰ‑阶段Ⅳ中最后一个卷积层的输出响应，一方面经过最大池化后作为下一个阶段的第一卷积层的输入响应；另一方面，作为输入响应分别输入到等级Ⅱ中对应的卷积层中，得到卷积层Ⅰ‑卷积层Ⅳ的输出响应；阶段Ⅴ中最后一个卷积层的输出响应直接作为输入响应输入到卷积层Ⅴ，得到卷积层Ⅴ的输出响应；

将卷积层Ⅲ和卷积层Ⅴ的输出响应分别反卷积处理后相加，并将相加结果反卷积之后作为卷积层Ⅷ的输入响应，得到卷积层Ⅷ的输出响应；

将卷积层Ⅱ和卷积层Ⅳ的输出响应分别反卷积处理后相加，并将相加结果反卷积之后作为卷积层Ⅶ的输入响应，得到卷积层Ⅶ的输出响应；

将卷积层Ⅲ的输出响应反卷积处理后与卷积层Ⅰ的输出响应相加，并将相加结果作为卷积层Ⅵ的输入响应，得到卷积层Ⅵ的输出响应；

将卷积层Ⅵ‑卷积层Ⅷ的输出响应相加，并将相加结果作为卷积层Ⅸ的输入响应，得到卷积层Ⅸ的输出响应，即为深度神经网络的输出响应；

B、预设训练数据集，训练数据集包含训练图像及其对应的真实轮廓图，输入训练数据集中的训练图像及其真实轮廓图，预设图像批量大小，权重衰减参数，学习率，学习率衰减，最大迭代次数，优化方案和代价函数，以训练数据集中的训练图像作为输入，对应的真实轮廓图作为理想化输出，训练深度神经网络，确定使得深度神经网络输出响应最接近理想化输出的各个卷积核的参数，得到训练完毕的深度神经网络；

C、利用双线性插值算法对待检测图像进行处理，分别得到尺寸是待检测图像2倍的待检测放大图像、尺寸是待检测图像0.5倍的待检测缩小图像，将待检测图像、待检测放大图像、待检测缩小图像分别作为深度神经网络的输入，经过深度神经网络输出分别得到待检测图像轮廓响应图、待检测放大图像轮廓响应图、待检测缩小图像轮廓响应图，将各像素点在上述三个轮廓响应图中对应的特征值取平均值，作为该像素点最终轮廓响应特征值，从而得到各像素点最终轮廓响应特征值；

D、对各像素点的最终轮廓响应特征值使用非极大值抑制和二值化处理，得到各像素点的最终轮廓值，进而得到最终轮廓图。

2.如权利要求1所述的基于深度强化网络跳跃连接的轮廓检测方法，其特征在于：所述的步骤B中的代价函数具体为：

其中i为训练时同一批次输入的图像编号，i＝1，2，...，size；size为同一批次图像的数量；Xi为输入的第i幅图像；W为深度神经网络的模型参数；

其中P(Xi；W)＝sigmoid(Xi)，sigmoid为S型生长曲线函数。

3.如权利要求2所述的基于深度强化网络跳跃连接的轮廓检测方法，其特征在于：所述的卷积层均为带有偏置的卷积，偏置的个数与当前的卷积核的个数相对应；

卷积conv的公式如下：

outputj＝inputj*kernelj+biasj         (3)；

其中outputj为当前阶段卷积的第j个输出响应，inputj为当前阶段卷积的第j个输入响应，kernelj为第j个卷积核，*为卷积符号，j＝1，2，...，k，k为当前阶段卷积核的个数。

4.如权利要求3所述的基于深度强化网络跳跃连接的轮廓检测方法，其特征在于：所述的激活函数为：

relu(x)＝max(0,x)                   (4)。

5.如权利要求4所述的基于深度强化网络跳跃连接的轮廓检测方法，其特征在于：所述的反卷积函数为：

其中outputj为当前阶段反卷积的第j个输出响应，inputj为当前阶段反卷积的第j个输入响应，为反卷积符号。

6.如权利要求5所述的基于深度强化网络跳跃连接的轮廓检测方法，其特征在于：所述的阶段Ⅰ‑阶段Ⅴ对应的卷积层个数分别为2个、2个、3个、3个、3个；

阶段Ⅰ‑阶段Ⅴ对应的输出通道数分别为64个、128个、256个、512个、512个；

阶段Ⅰ‑阶段Ⅴ对应的卷积核大小为3*3像素平方；

所述的等级Ⅱ‑等级Ⅳ对应的输出通道数分别为64个，16个，1个；

等级Ⅱ‑等级Ⅳ对应的卷积核大小为3*3像素平方。

7.如权利要求6所述的基于深度强化网络跳跃连接的轮廓检测方法，其特征在于：所述的图像批量大小表示每一批次训练输入的图像数量，其范围为8‑32幅，权重衰减范围为(1e‑4)‑(2e‑4)，学习率的范围为(1e‑5)‑(1e‑9)，学习率衰减的范围为0‑0.1；最大迭代次数的范围为5000‑60000次，优化方案为动量为0.9的随机梯度下降法。

8.如权利要求7所述的基于深度强化网络跳跃连接的轮廓检测方法，其特征在于：所述的最大池化为2*2最大池化。