1.一种基于改进YOLO v4的轻量级行人车辆检测方法，其特征在于，所述方法包括以下步骤：

1)将数据集划分为训练集、验证集和测试集，分别用于模型的训练和测试；

2)对数据集标签中的真实目标框进行聚类分析，分别得到9种不同的先验框尺寸；

3)利用主干网络提取数据集的视觉特征，过程如下：

利用Ghost模块构造Bottleneck，使用Bottleneck搭建主干网络，所述Ghost模块包含卷积操作和线性操作，特征图输入Ghost模块后，依次经过卷积层、归一化层和激活层后获得中间特征图，将所述中间特征图送入线性分支后与所述中间特征图堆叠后输出，每个Bottleneck包括Ghost模块、BN层和激活函数，共同构成网络参数θ，主干网络可表征为函数Fθ，将高为H，宽为W的样本数据输入主干网络，分别在网络第5、第11、第16个Bottleneck后分批次输出三组不同尺寸的特征图，该过程公式如下：feat1＝Fθ1(x)                        (1)feat2＝Fθ2(feat1)                      (2)feat3＝Fθ3(feat2)                      (3)

3×H×W

式中x为输入图像，且x∈R ，feat1、feat2、feat3分别代表输出的三组特征值，其中

40×H×W 112×H×W 160×H×W

feat1∈R ,feat2∈R ,feat3∈R ；

4)对提取到的特征进行特征聚合，过程如下：

将步骤3)提取到的三组特征，分别输入到三个不同扩张率的空洞卷积层中，通过变化感受野，提升模型的多尺度感知能力，feat1对应的空洞卷积扩张率为1，负责感知特征图中的小尺寸目标；feat2对应的空洞卷积扩张率为2，负责感知特征图中的中尺寸目标；feat3对应的空洞卷积扩张率为3，负责感知特征图中的大尺寸目标，各层扩张率与感受野的关系如下式：R＝k+(k‑1)×(d‑1)                   (4)式中，R为感受野尺寸，k为卷积核尺寸，d为扩张率；

将空洞卷积层输出的特征送入特征聚合网络，对特征图进行降采样、升采样、拼接、卷积和BN操作，其中卷积层由卷积模块和DBM模块构成，以进一步缩减模型参数量，输出三组聚合后的特征图用于最终的检测；

所述DBM模块结构为：特征图输入模块，依次经过一个逐通道卷积层，一个批次归一化层，一个ReLU6激活层，一个逐点卷积层，一个批次归一化层，再经过ReLU6激活函数后输出；

5)将聚合后的特征输入YOLO检测头，对目标的位置和类别进行预测；利用损失函数训练模型；

6)将测试集图像输入训练得到的网络模型进行检测，输出目标的检测结果。

2.如权利要求1所述的一种基于改进YOLO v4的轻量级行人车辆检测方法，其特征在于，所述步骤1)的操作为：将KITTI数据集划分为最终的训练集、验证集和测试集，其具体步骤为：合并、删除数据集中的部分类别，最终的类别包括行人、汽车；将数据集按照VOC数据集的文件路径存放；将数据集的注释文件由txt格式转换为xml格式；将数据集按照8:1:1的比例划分为训练集、验证集、测试集。

3.如权利要求1或2所述的一种基于改进YOLO v4的轻量级行人车辆检测方法，其特征在于，所述步骤2)的操作为：利用k‑Means算法对数据集标签中的真实目标框进行聚类分析，其中，采用框与框之间的交并比IoU构建距离度量函数S，函数S如下：S＝1‑IoU(box1,box2)                  (5)。

4.如权利要求1或2所述的一种基于改进YOLO v4的轻量级行人车辆检测方法，其特征在于，所述步骤5)的操作为：将步骤4)聚合得到的特征图分别输入三个yolo检测头，对目标的位置和类别进行预测，各分支分别输出一组形式为N×N×3×(4+1+C)的向量，N表示该分支下的特征图尺寸，3表示该分支下的预测框数量，4和1分别表示预测框的坐标和置信度，C表示数据的类别数量；

利用损失函数对模型进行训练，损失函数采用Complete‑IoU Loss，如下式：gt gt

式中，LCIoU为预测框的位置损失，B，B 分别为预测框和真实框，b，b 分别为预测框和真2

实框的中心点坐标，ρ ()表示欧氏距离，c包含预测框与真实框的最小矩形的对角线长度，α为权重函数，v函数用于度量长宽比的相似性，α，v函数的定义分别如下：gt gt

式(9)中，w ，h 分别表示真实框的宽和高，w，h分别表示预测框的宽和高；

设置网络模型参数型输入图像的尺寸、9个先验框尺寸、识别种类的数量和标注的各种类名称、初始学习率以及学习率调整策略，对模型进行训练；训练过程中使用验证集进行验证，训练至网络模型收敛后保存最终的权重文件。

5.如权利要求1或2所述的一种基于改进YOLO v4的轻量级行人车辆检测方法，其特征在于，所述步骤6)的操作为：加载所述步骤5)训练得到的模型权重，将测试集输入网络，进行特征提取及特征聚合后，由检测头得到可能包含行人、车辆目标的边界框坐标、置信度和类别概率，利用非极大值抑制去除冗余的检测框，产生最终的检测结果。