1.一种基于CSP模型的多级特征融合行人检测方法，其特征在于，所述方法包括以下步骤：

步骤1，采用CSP架构，使用CNN提取行人特征，然后网络分为3支分别预测目标中心点、目标高度和中心点偏移量，在训练阶段，对训练图像进行预处理后输入网络，所述预处理包括将图像尺寸调整到设定像素，对图像进行随机剪裁并调整亮度，使用PyconvResNet‑101作为特征提取网络来提取行人特征，取PyconvResNet‑101网络阶段二、阶段三、阶段四和阶段五得到的4张特征图进行多级融合得到最终特征图，最终特征图的通道数为1024，使用随机擦除数据增强对训练数据进行扩充，对目标中心点、目标高度和中心点偏移量使用Focal Loss和Smooth L1进行训练；

步骤2，将获得的最终特征图送入后续预测网络，预测网络首先使用一个3*3的卷积将n

最终特征图的通道数调整为2 ，n为正整数，3≤n≤9，然后使用两个1*1的卷积和一个2*2的卷积分别对目标中心点、目标高度和中心点偏移量进行预测并生成目标检测框，使用非极大值抑制算法去除冗余的检测框得到最终的检测结果；

步骤3，在测试阶段，将测试图像调整成特定尺寸后输入网络，将得到的特征图进行多级融合后送入预测网络，预测网络输出目标的中心点、目标的高度和目标中心点的偏移量，目标宽度由目标高度乘系数得到。

2.如权利要求1所述的一种基于CSP模型的多级特征融合行人检测方法，其特征在于：所述步骤1的过程为：使用PyconvResNet‑101网络中阶段二、阶段三、阶段四和阶段五的最后一张特征图p2,p3,p4和p5进行多级融合，其中p2,p3,p4和p5分别为输入图像的宽高分别下采样4倍、8倍、16倍和32倍所得，多级融合的步骤为：

1.1)使用卷积核尺寸为4*4，步长为2，留白为1的反卷积将p5上采样2倍后与p4在通道方向上进行拼接得到p4_l1；使用卷积核尺寸为4*4，步长为2，留白为1的反卷积将p4上采样2倍后与p3在通道方向上进行拼接得到p3_l1；使用卷积核尺寸为4*4，步长为2，留白为1的反卷积将p3上采样2倍后与p2在通道方向上进行拼接得到p2_l1；

1.2)使用卷积核尺寸为4*4，步长为2，留白为1的反卷积将1.1)中所得特征图p4_l1上采样2倍后与1.1)中所得特征图p3_l1在通道方向上进行拼接得到p3_l2；使用卷积核尺寸为4*4，步长为2，留白为1的反卷积将p3_l1上采样2倍后与(1)中所得特征图p2_l1在通道方向上进行拼接得到p2_l2；

1.3)，使用卷积核尺寸为4*4，步长为2，留白为1的反卷积将1.2)中所得特征图p3_l2上采样2倍后与1.2)中所得特征图p2_l2在通道方向上进行拼接得到最终特征图pout送入后续预测网络。

3.如权利要求1所述的一种基于CSP模型的多级特征融合行人检测方法，其特征在于：所述步骤3中，所述系数为0.41。