1.一种基于密集连接深度网络的目标检测方法，其特征在于，包括以下步骤：步骤(1)：读入Pascal VOC数据集中的图像数据并提取目标数据特征；

步骤(2)：训练网络模型；

步骤(3)：进行目标检测。

2.根据权利要求1所述的方法，其特征在于，具体的步骤为：

步骤(1)：读入Pascal VOC数据集中的图像数据并提取目标数据特征：网络读取输入的图像数据，首先将其分辨率归一化为416*416，然后通过一系列卷积层以及密集连接模块Dense Block提取、融合各通道的特征；

步骤(2)：训练网络模型：设置网络batch为64，重复迭代训练得到检测模型；

步骤(3)：进行目标检测：网络首先通过特征提取网络对输入图像提取特征，得到一定尺寸的k*k特征图，然后将输入图像分为k*k个单元格，每个单元格预测固定数量的边界框；

预测时采用逻辑回归，用于预测每个边界框的目标性得分，即这块区域是目标的可能性有多大；而后进行非极大值抑制NMS，最后输出检测结果。

3.根据权利要求1所述的方法，其特征在于，所述步骤(1)包括：

(1)引入的密集连接方式，使得L层网络有L(L+1)/2个连接；其中的密集连接模块Dense Block主要是由1*1和3*3的卷积层组成，其中的1*1卷积操作又被成为bottleneck layer；

3*3卷积则是用于提取图像特征；密集连接模块Dense Block中每一层的输入来自前面所有层的输出；下式表明了第l层的输入即为之前所有层的输出之和；

xl＝Hl([x0,x1,…,xl-1])

其中，xl表示第l层的输出，[x0,x1,…,xl-1]表示第0,…,l-1层输出的级联；上式中Hl(·)表示三个连续运算的复合函数，由BN、ReLU和一个3*3的卷积层组成；

(2)减少密集连接模块Dense Block中卷积层输出特征图数量；

(3)将网络分为多个密集连接模块Dense Block，且每个Dense Block中的特征图的输出都设定为相同，且不同尺度下特征图的数量也不同。

4.根据权利要求1所述的方法，其特征在于，所述步骤(2)包括：

设置网络的学习率为0.001，动量设为0.9，权重衰减正则项为0.0005，网络最大的迭代次数为500200，网络的学习率在迭代次数到达400000和450000时衰减10倍；同时网络使用多尺度训练，网络读取数据后，图像归一化分辨率的宽高在320～608之间取随机值，且每10轮随机改变一次，随机值均为32的倍数。

5.根据权利要求1所述的方法，其特征在于，所述步骤(3)包括：

(1)yolov3-tiny使用K-means聚类算法聚类数据集中真实框，为下采样得到的两种尺度设定3个不同大小的先验框，总共聚类出6个不同尺寸的先验框；

两种不同尺度的6个先验框大小如下所示：

(2)使用6个不同先验框Anchors在三种不同尺度的特征映射图上进行预测；在对边界框进行预测的时候，为了更好的数据建模以及支持多标签分类，网络采用逻辑回归logistic regression；网络边界框的坐标预测公式如下：bx＝σ(tx)+cx

by＝σ(ty)+cy

其中tx、ty、tw、th为模型的实际预测值，cx和cy表示grid cell的坐标偏移量，pw和ph表示anchor box的宽高，bx、by、bw和bh为最终得到的边界框的中心的坐标和宽高；坐标的训练采用的是平方和误差损失；

(3)设定非极大值抑制NMS的阈值为0.45。

6.权利要求1所述的基于密集连接深度网络的目标检测方法在图像目标检测中的应用。

7.根据权利要求6所述的应用，其特征在于，具体应用步骤为：网络读取不同场景下的行人图像数据作为训练数据，首先将图像数据的图像分辨率归一化为416*416，然后通过卷积层、池化层以及密集连接模块Dense Block提取、融合各通道的特征；通过训练网络得到相应的检测模型；加载训练得到的模型、网络配置文件以及待检测的图像，网络首先通过特征提取网络对输入的待检测图像提取特征；提取特征后得到13*13、26*26的特征图，并在这两种不同尺度下进行预测；随后网络将待检测图像分别划分为13*13、26*26个单元格，每个单元格预测固定3个的边界框；预测时采用逻辑回归，用于预测每个边界框的目标性得分，即这块区域是行人类别的可能性有多大；而后进行非极大值抑制NMS，最后输出检测结果。

8.权利要求1所述的基于密集连接深度网络的目标检测方法在视频目标检测中的应用。

9.根据权利要求8所述的应用，其特征在于，具体应用步骤为：网络读取不同场景下的视频目标图像数据作为训练数据，首先将目标图像数据的图像分辨率归一化为416*416，然后通过卷积层、池化层以及密集连接模块Dense Block提取、融合各通道的特征；通过训练网络得到相应检测任务的检测模型；加载训练得到的模型、网络配置文件以及待检测的图像，网络首先通过特征提取网络对输入的待检测图像提取特征；提取特征后得到13*13、26*

26的特征图，并在这两种不同尺度下进行预测；随后网络将待检测图像分别划分为13*13、

26*26个单元格，每个单元格预测3个的边界框；预测时采用逻辑回归，用于预测每个边界框的目标性得分，即这块区域是目标类别的可能性有多大；而后进行非极大值抑制NMS；输出检测结果。