1.一种基于深度估计的单目视觉前向车辆距离检测方法，其特征在于：包括以下步骤：Step1、搭建基于深度估计的前向车辆距离检测模型；

Step2、引入DORN算法，搭建基于DORN的前向车辆距离检测模型；

Step3、优化目标关键点拟合方法；

Step4、设计网络训练中的损失函数；

Step5、利用模型压缩加速工具，实现对前向车辆距离检测模型的加速。

2.如权利要求1所述的基于深度估计的单目视觉前向车辆距离检测方法，其特征在于：所述step1中的前向车辆距离检测模型包括输入、中间处理和输出三个部分；其中，输入部分包括RGB原图、深度图和车辆目标框图，中间处理部分为网络学习、预测的过程包括特征提取、池化和回归，输出部分为带有车辆目标框和距离值的RGB图。

3.如权利要求2所述的基于深度估计的单目视觉前向车辆距离检测方法，其特征在于：在中间处理部分中特征提取网络为卷积神经网络，采用VGG16或Resnet50作为特征提取网络。

4.如权利要求3所述的基于深度估计的单目视觉前向车辆距离检测方法，其特征在于：所述step2中包括以下步骤：1)引入DRON网络中的密集特征提取器模块作为特征提取网络；

2)引入场景理解模块，3)引入序数回归模块将离散深度值划分为多类，4)选取车辆目标关键点拟合方法。

5.如权利要求4所述的基于深度估计的单目视觉前向车辆距离检测方法，其特征在于：所述场景理解模块包括并行的一个空洞空间卷积池化金字塔(ASPP)模块、一个跨通道leaner以及一个fullimage全图像编码器。

6.如权利要求4所述的基于深度估计的单目视觉前向车辆距离检测方法，其特征在于：所述step3中包括：1)引入k‑means聚类算法，实现车辆目标关键点的拟合，2)通过参数配置，提升车辆目标关键点拟合的精度。

7.如权利要求5所述的基于深度估计的单目视觉前向车辆距离检测方法，其特征在于：所述step4中包括：1)利用L1范数损失函数，设计目标关键点的回归损失函数，2)结合序数回归函数，实现网络训练回归。

8.如权利要求6所述的基于深度估计的单目视觉前向车辆距离检测方法，其特征在于：所述step5包括：1)将网络中无法直接转换的数据的输出转换成可操作的tensor形式；2)将前向车辆距离检测模型转化为TensorRT模型。