1.一种基于YOLO的图像目标识别方法，其特征在于，包括：接收待检测图像；

根据预设的要求调整所述待检测图像的尺寸大小，生成第一检测图像；

将所述第一检测图像发送至神经网络模型中进行匹配识别，生成检测框和分类识别信息以及分类识别信息对应的分类概率值；

将每个检测框内部的分类概率值按照从大到小进行排列，选取排名最高的分类；然后将排名最高的分类的分类概率值与预设的概率阈值进行比较，判断所述排名最高的分类的分类概率值是否大于预设的概率阈值；

若小于所述预设的概率阈值，则删除所述检测框；若大于所述预设的概率阈值，则将所述检测框和分类识别信息作为识别的分类结果；

其中，所述生成检测框的步骤具体为：

根据初始预设坐标点位生成初始检测框；

进行动态检测框的预测，对已经生成的检测框进行迭代预测，生成最新的检测框；

计算所述最新的检测框的重合度；

若最新的检测框重合度大于等于预设的重合度阈值，则保留所述最新的检测框；若所述最新的检测框重合度小于预设的重合度阈值，则继续进行动态检测框的预测；

最后生成同类别的N个同类检测框；

其中，所述进行动态检测框的预测，对已经生成的检测框进行迭代预测，生成最新的检测框具体为：预测每个检测框的4个坐标（ ）；如果单元格偏离图像的左上角坐标，并且上步预测的检测框具有宽度 和高度 ，则最新检测框的坐标为：其中， 分别为最新检测框的四个坐标点位值。

2.根据权利要求1所述的基于YOLO的图像目标识别方法，其特征在于，在所述接收待检测图像之前还包括：进行图片训练，得到神经网络模型；所述神经网络模型通过如下步骤进行训练：获取训练图像数据集；

将所述训练图像数据集进行图像预处理，得到预处理后的图像集；

将所述预处理后的图像集进行训练，得到具备输入接口和输出接口的神经网络模型。

3.根据权利要求2所述的基于YOLO的图像目标识别方法，其特征在于，所述的神经网络模型中采用53层卷积运算，并且每层的卷积运算为 3×3和1×1卷积层交替计算。

4.根据权利要求1所述的基于YOLO的图像目标识别方法，其特征在于，所述尺寸大小为神经网络模型规定的大小。

5.一种基于YOLO的图像目标识别系统，其特征在于，该系统包括：存储器、处理器及摄像装置，所述存储器中包括基于YOLO的图像目标识别方法程序，所述基于YOLO的图像目标识别方法程序被所述处理器执行时实现如下步骤：接收待检测图像；

根据预设的要求调整所述待检测图像的尺寸大小，生成第一检测图像；

将所述第一检测图像发送至神经网络模型中进行匹配识别，生成检测框和分类识别信息以及分类识别信息对应的分类概率值；

将每个检测框内部的分类概率值按照从大到小进行排列，选取排名最高的分类；然后将排名最高的分类的分类概率值与预设的概率阈值进行比较，判断所述排名最高的分类的分类概率值是否大于预设的概率阈值；

若小于所述预设的概率阈值，则删除所述检测框；若大于所述预设的概率阈值，则将所述检测框和分类识别信息作为识别的分类结果；

其中，所述生成检测框的步骤具体为：

根据初始预设坐标点位生成初始检测框；

进行动态检测框的预测，对已经生成的检测框进行迭代预测，生成最新的检测框；

计算所述最新的检测框的重合度；

若最新的检测框重合度大于等于预设的重合度阈值，则保留所述最新的检测框；若所述最新的检测框重合度小于预设的重合度阈值，则继续进行动态检测框的预测；

最后生成同类别的N个同类检测框；

其中，所述进行动态检测框的预测，对已经生成的检测框进行迭代预测，生成最新的检测框具体为：预测每个检测框的4个坐标（ ）；如果单元格偏离图像的左上角坐标 ，并且上步预测的检测框具有宽度 和高度 ，则最新检测框的坐标为：其中， 分别为最新检测框的四个坐标点位值。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于YOLO的图像目标识别方法程序，所述基于YOLO的图像目标识别方法程序被处理器执行时，实现如权利要求1至4中任一项所述的一种基于YOLO的图像目标识别方法的步骤。