1.一种用于高分辨率图像的密集小目标的检测方法，其特征在于：包括以下步骤：S1：通过调整不多于两个的参数裁剪高分辨率图像，得到大小相同的适合训练网络的小尺寸图像；

S2：通过标签的边缘处理算法将高分辨率图像的特征点重定义到对应的小尺寸图像中以裁剪图像和图像对应的目标和标签；

S3：将拥有最多目标的小尺寸图像作为主要信息，把剩下的小尺寸图像作为背景融合，得到大小不变的融合图像；

S4：将融合图像与没有融合的小尺寸图像组合成新的数据集，用于在扩充数据集的同时避免过拟合。

2.根据权利要求1所述的一种用于高分辨率图像的密集小目标的检测方法，其特征在于：所述的步骤S1中，具体步骤为：S11：按照一定的比例将高分辨率图像划分为训练集和测试集；

S12：裁剪训练集，具体步骤为：S121：统计一个数据集中的高分辨率图像是否是相同大小，若不是则将相同大小的高分辨率图像分为一类；

S122：设高分辨率图像的宽为W，高为H，由训练网络提取图像的大小得到被裁减后的小尺寸图像的宽为w，高为h，则用于裁剪分类好的高分辨率图像的参数N和M为：N＝H/h，

M＝W/w；

S123：若W/w或H/h求余不等于0，则调大w或h的值直到求余等于0为止；

S13：裁剪测试集，具体步骤为：取重叠比例的值为大于等于15％且小于50％进行裁剪。

3.根据权利要求2所述的一种用于高分辨率图像的密集小目标的检测方法，其特征在于：所述的步骤S2中，具体步骤为：设高分辨率图像的特征点的坐标为(x，y)，对应的小尺寸图像中等价于(x，y)的特征点的坐标为(x′,y′)，通过标签的边缘处理算法决定小尺寸图像对应高分辨率图像的位置的参数i和j，则高分辨率图像的特征点对应在小尺寸图像中的位置信息为：

4.根据权利要求3所述的一种用于高分辨率图像的密集小目标的检测方法，其特征在于：所述的步骤S2中，具体步骤为：S21：将高分辨率图像唯一对应的标签按高分辨率图像裁剪的份数裁剪，得到裁剪后的小尺寸图像的标签与小尺寸图像一一匹配，具体步骤为：在高分辨率图像的标签中，设高分辨率图像中的每个目标对应的两个特征点分别为(x1，y1)和(x2，y2)，对应的小尺寸图像中分别等价于(x1，y1)和(x2，y2)的特征点的坐标为(x′1,y′1)和(x′2,y′2)，判定裁剪位置的参数别为i＝(int)x1/w和j＝(int)y1/h；

S22：通过标签的边缘处理算法将高分辨率图像中的目标按被裁剪的份数重定义并分配到对应的小尺寸图像的标签中，具体步骤为：判断目标是否存在越界行为，若目标objectk的点a和点c经过裁剪仍处在同一个小尺寸图像中，则目标objectk未越界，相应的特征点为：若点a和点c不在同一小尺寸图中，且目标objectk出现了横向越界并被分成两部分，由点a和点g确定新的目标object_1，相应的特征点为：由点d和点c确定新的目标object_2，相应的特征点为：若点a和点c不在同一小尺寸图中，且目标objectk出现了纵向越界并被分成两部分，由点a和点e确定新的目标object_1，相应的特征点为：由点f和点c确定新的目标object_2，相应的特征点为：若点a与点c不在同一小尺寸图中，且目标objectk出现了横纵两部分的越界并被分成四部分，由点a和点b确定新的目标object_1，相应的特征点为：由点g和点c确定新的目标object_2，相应的特征点为：由点f和点d确定新的目标object_3，相应的特征点为：由点b和点c确定新的目标object_4，相应的特征点为：将目标object_1、目标object_2、目标object_3、目标object_4中的特征点分配到对应的小尺寸图像的标签中。

5.根据权利要求3所述的一种用于高分辨率图像的密集小目标的检测方法，其特征在于：所述的步骤S3中，具体步骤为：S31：将裁剪高分辨率图像得到N×M张大小相同的小尺寸图像组成方形矩阵；N×M张大小相同的小尺寸图像对应N×M个标签，每个小尺寸图像有唯一对应的标签；

S32：当N×M＝4×4时，在方形矩阵的一行中融合4张小尺寸图像得到1张融合图像，具体步骤为：

分别计算每张小尺寸图像的目标数量，将拥有目标最多的小尺寸图像定义为图A；

设决定融合的融合系数为λ和ξ；λ服从β分布，λ～β(7,3)；ξ随机分布在区间[0.05，

0.1]；

将图A的特征信息乘以λ，其余三张小尺寸图像的特征信息乘以ξ，融合得到1张融合图像；

S33：设预测图像为 的真实样本为 则经验风险样本为 预测误差为l，联合分布为P，预测模型为f，预测函数为f(·)，按照经验风险的思想计算融合前的小尺寸图像的平均损失，公式如下：

对两张融合图像进行邻域风险最小化的求解，公式如下：

6.根据权利要求5所述的一种用于高分辨率图像的密集小目标的检测方法，其特征在于：用如下步骤替换所述的步骤S32：当N×M＝4×4时，在方形矩阵的一行中分别融合2张小尺寸图像得到2张融合图像，具体步骤为：分别计算每张小尺寸图像的目标数量，将拥有目标最多的两张小尺寸图像分别定义为图A1和图A2；

设决定融合的融合系数为λ和ξ；λ服从β分布，λ～β(7,3)；ξ随机分布在区间[0.05，

0.1]；

将图A1和图A2的特征信息分别乘以λ，其余小尺寸图像的特征信息乘以ξ，分别融合得到两张融合图像。

7.根据权利要求5所述的一种用于高分辨率图像的密集小目标的检测方法，其特征在于：所述的步骤S33中，经验风险最小化和邻域风险最小化的特征点分布根据图像的裁剪和重定义进行相应的重定义，具体步骤为：设裁剪得到的图像为 的真实样本为 则经验风险样本 经过裁剪变成拥有最多目标的小尺寸图像为 真实目标为 其他图像为 常系数为σ，σM用于决定融合几张小尺寸图像；整数c∈[1，σM]，待融合图像中目标数为Mc；q是Mc中的一个自变量，则邻域风险特征点按如下公式重定义：q＝argmax(Mc)；

由经验风险得到预测训练裁剪图像得到的模型误差为：由邻域风险得到预测训练融合图像得到的模型误差为：

8.根据权利要求5所述的一种用于高分辨率图像的密集小目标的检测方法，其特征在于：所述的步骤S4中，具体步骤为：设高分辨率图像裁剪后得到的小尺寸图像的数目为n，融合后的所有图像的数目为m，融合图像为a，没有被融合的小尺寸图像为b， 则通过特殊风险最小化求解融合图像与没有融合的小尺寸图像组合成的新的数据集的计算风险最小化的公式为：

9.根据权利要求7或8所述的一种用于高分辨率图像的密集小目标的检测方法，其特征在于：所述的步骤S4中，裁剪后的特殊风险最小化的公式重定义为：

10.一种计算机存储介质，其特征在于：其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行如权利要求1至权利要求6中任意一项所述的一种用于高分辨率图像的密集小目标的检测方法。