1.一种基于轻量化卷积的无锚框目标检测方法，其特征在于，该方法包括以下步骤：S1：构造轻量化的骨干网络，并输入图片到轻量化的骨干网络中，提取特征图；

S2：根据得到的特征图进行左上角点和右下角点的池化操作；

S3：池化后的左上角点、右下角点都分别进行十字星变形卷积与角点预测操作；

S4：根据预测的角点和向心位移算法进行角点匹配，由预测边界框的得分输出最终结果；

步骤S1中，构造轻量化的骨干网络包括以下步骤：

S11：构造基本卷积模块，包括：构造分离特征模块；所述分离特征模块采用通道分离，深度卷积，通道拼接和通道重排的操作，构造成残差结构进行通道分离后的左右两个分支，分别进行卷积，池化和正则化，进行通道数拼接，使输入和输出通道数相同；

基本卷积模块中，分为两种卷积模块；第一类卷积块：通道分离后分为左右分支，左分支进行Conv2D，批处理归一化，Relu激活，DepthWiseConv2D，批处理归一化；右分支进行DepthWiseConv2D，批处理归一化，Conv2D，Relu激活；第二类卷积模块：左分支相较第一类卷积模块多了一层通道乱序的Lambda层，右分支只有一个通道乱序的Lambda层；同时在各个卷积模块之间加入一个通道乱序的Lambda层，最后将左右分支的输出进行通道拼接；

S12：构造骨干网络：由步长为2的下采样卷积和步长为1基本卷积交替出现，融入分离特征模块中，层层串联构成；

步骤S2中，从得到的特征图进行左上角点和右下角点的池化的操作，包括：骨干网络输出的特征图进入池化层中，分别作水平方向与垂直方向上的最大池化得到相对应的特征图，将这两个特征图进行元素相加，得到最终的池化结果。

2.根据权利要求1所述的无锚框目标检测方法，其特征在于，步骤S3中，将池化后的左上角点、右下角点都分别进行十字星变形卷积与角点预测操作，具体包括以下步骤：S31：角点预测：角池化通过保留最大值和求和操作，输出左上角点和右下角点的热度图进行角点预测；输出的每一个热度图集都有C个通道，C表示类别数，并且每一个通道的尺寸为H×W，每一个通道都是一个二值的掩码，来表示每一类物体在图中角点的位置；

S32：十字星变形卷积：经过角池化后会将目标内部信息沿“十字星”边框扩展到角点处，产生十字交叉的特征，通过池化后的不确定的角点范围，卷积核在当前位置附近随意的采样，再对每个采样点的位置都增加一个偏移变量，通过引导偏移更准确地确定角点的正确位置。

3.根据权利要求2所述的无锚框目标检测方法，其特征在于，步骤S32中，所述偏移变量是在边缘位置附近随意采样获得的，角点池输出嵌入到特征映射中，采用的损失函数公式为：其中，N表示训练样本中真实角点的数量，n为求和变量，δtl表示引导偏移后的左上角点， 表示由δtl得到的掩膜映射，δbr表示引导偏移后的右下角点， 表示由δbr得到的掩膜映射，L1是SmoothL1损失函数；

所述引导偏移是引导角点向中心区域的偏移，定义为

i i i i i

其中，δ表示引导偏移，物体i的边界框的坐标bbox＝(tlx ,tly ,brx ,bry)，几何中心坐标i i是(ctx ,cty)。

4.根据权利要求1所述的无锚框目标检测方法，其特征在于，步骤S4中，根据预测角点和向心位移算法进行角点匹配，具体包括：给定一对角点，为每个角点定义一个二维向量，向心偏移对角点到边界框中心点的空间偏移进行编码，这样每个角点根据向心偏移生成一个中心点，是否匹配是由两个和该匹配的几何中心之间的距离来表示，如果两个角点属于同一个边界框，则它们生成的中心点是接近的。

5.根据权利要求4所述的无锚框目标检测方法，其特征在于，步骤S4中，所述向心偏移：从角点到中心到偏移区域分支的偏移，该偏移包含形状和方向信息，通过偏移算法来判断同属于同一个目标的角点。

6.根据权利要求4所述的无锚框目标检测方法，其特征在于，步骤S4中，所述角点匹配：从角点热图和局部偏移特征图获得角点，对属于同一类别的角点进行分组，满足特定的条件，即可构造预测的边界框。

7.根据权利要求4所述的无锚框目标检测方法，其特征在于，步骤S4中，角点是根据向心偏移算法生成的中心点是否足够接近判断是否匹配，计算所有角点对中心区域的权重，选取得分最高的作为候选框，输出最终的预测结果。