1.一种特征融合自适应锚框模型车辆检测方法，其特征在于：方法如下：A1，采集车辆数据集，车辆数据集包含物体GT框的多幅图像I，物体对象为车辆，GT框数* * * * * * * *据为[c ,x ,y ,w ,h]，c表示GT框内物体的类别，x ，y 分别表示GT框内中心点的x坐标和y* *

坐标，w，h分别表示GT框的高度和宽度；

A2，特征融合，将图像I输入到卷积神经网络中进行特征提取，将特征提取后得到不同尺度相融合的大小特征图，在大特征图中对小物体进行检测，在小特征图中对大物体进行检测；

A3，候选框预测，利用A2中得到的特征图来预测候选框，具体建立如下预测网络模型：A3‑1，同时用滑动窗口分别在融合后的大小特征图上分别进行卷积，滑动窗口的中心作为锚点，以每个锚点为中心产生固定数量的不同尺寸的锚框，每个滑动窗口生成一个固定维度的特征；

A3‑2，将A3‑1中生成的特征输入到两个全连接层，一个全连接层用于预测锚框是物体的概率p，另外一个全连接层用于预测候选框坐标相对于锚框的偏移量t；

A4，预测中自适应锚框，根据图像I中GT框的大小建立自适应阈值得到多个锚框的大小，以进行实时处理；

*

A5，标签和偏移量的获取：为锚框设定标签p，将A4得到的不同尺寸的锚框，通过计算锚*

框和GT框之间的交并比(IOU)来确定锚框的标签p ；并且计算候选框与锚框之间的偏移量*

tki，GT框与锚框之间的偏移量tki；

A6，建立预测网络模型的损失函数；

所述的损失函数是由分类损失和回归损失组成：分类损失函数为：

其中，k是融合后的大小特征图的索引，i是锚框的索引，pki表示第k特征图第i个锚框是*

物体的预测概率；pki是k层第i个锚框的真实标签；Lcls是分类损失，Ncls是分类样本图像数；

回归损失函数为：

*

其中，tki表示第k特征图的候选框与第i个锚框之间的偏移量，tki是第k特征图的GT框*

与第i个锚框的偏移量，Nreg是偏移量的数据总数，Lreg是回归损失，Lreg(tki,tki)＝R(tki‑*

tki)，R表示具有鲁棒性的平滑L1损失函数；

总损失函数为：

其中，λk为比例系数；

A7，将车辆数据集的包含多幅已知物体GT框的图像I采用上述A2～A6进行处理，并输入到预测网络模型通过梯度下降最小化进行训练，使得预测的候选框和GT框相匹配；针对未知物体GT框的待测图像，输入到训练后的预测网络模型中，得到候选框及其候选框的位置坐标，作为车辆物体的检测结果；

所述A4具体为：

A4‑1，将所有图像I中GT框的宽尺寸归一化，得到归一化后的宽数值大小xw，以相同的宽数值大小xw组成作为同一种宽数值组，统计每一种宽数值组中宽数值大小xw的数值个数为yw，以最大的数值个数yw作为宽峰值ymax，计算获得自适应宽阈值γw＝ymax/5；

A4‑2，以宽数值大小xw及其对应的数值个数yw分别作为横纵坐标，绘制曲线图，处理获得将数据个数yw等于自适应宽阈值γw时对应的两个宽数值大小xw，两个宽数值大小xw按照大小分别作为最小宽数值aw和最大宽数值βw；

A4‑3，按照A4‑1和A4‑2相同的方法，设定自适应高阈值γh，得到最小高数值ah和最大高数值βh；

A4‑4，将得到的最小宽数值aw、最大宽数值βw、最小高数值ah和最大高数值βh乘以图像的宽和高，据此得到多个锚框的尺寸范围。

2.根据权利要求1所述的一种特征融合自适应锚框模型车辆检测方法，其特征在于：所*

述A5中，当锚框与GT框的交并比大于0.7时，认为该锚框为物体，标签p为正样本；当锚框与*

GT框的交并比小于0.3时，认为该锚框为背景，标签p为负样本。