1.一种RGB‑D图像显著目标检测方法，其特征在于，该方法包括以下步骤：S1、提取RGB图像特征，同时提取Depth图像特征，并将Depth图像特征与RGB图像特征进行融合，形成RGBD融合特征，进一步将其分为高层RGBD融合特征和低层RGBD融合特征；

S2、利用三个Transformer增强所述高层RGBD融合特征，形成高层RGBD增强特征；

S3、三流解码所述高层RGBD增强特征，通过与低层RGBD融合特征的结合，加强显著物体边缘细节信息，形成体现全局和局部特性的RGBD细化特征；

S4、融合所述RGBD细化特征形成显著图。

2.根据权利要求1所述的一种RGB‑D图像显著目标检测方法，其特征在于，在所述步骤S1中，提取RGB图像特征的方法是使用在ImageNet上预训练的ResNet50网络提取图像颜色特征，形成

类似地，提取Depth图像特征的方法是使用在ImageNet上预训练的ResNet50网络提取图像深度特征，形成 其中i对应于ResNet50的层数，i取值为1至5的自然数；

所述深度过滤残差模块，首先将Depth图像与RGB图像进行级联，再经过通道注意力层，形成通道注意力掩码，通过与Depth图像特征逐元素相乘，得到通道过滤后的Depth特征；接着通道过滤后的Depth特征，经过空间注意力层，形成空间注意力掩码，通过与Depth图像特征逐元素相乘，得到空间过滤后的Depth特征；将所述空间过滤后的Depth特征以残差形式附加到RGB图像特征上，形成RGBD融合特征 所述方法描述为：所述Cat(·)表示级联和卷积操作，CA(·)操作是指论文《CBAM：Convolutional Block Attention  Module》中所提出的通道注意力模块，SA(·)操作是指论文《CBAM：Convolutional BlockAttention Module》中所提出的空间注意力模块，“×”是指逐元素相乘操作，“+”是指逐元素相加操作；

根据i的不同，将 记为低层RGBD融合特征，将 记为高层RGBD融合特征。

3.根据权利要求1所述的一种RGB‑D图像显著目标检测方法，其特征在于，在步骤S2中，利用三个Transformer增强所述高层RGBD融合特征，形成高层RGBD增强特征；具体分为三个子步骤：尺度调整、三个Transformer嵌入、特征级联；

S2.1：尺度调整

具体分为两个阶段，第一阶段调整通道数，第二阶段调整分辨率，最终形成通道数和分辨率都相同的高层RGBD同尺度特征S2.2：三个Transformer嵌入所述高层RGBD同尺度特征 经过三个Transformer层，产生高层RGBD优化特征

其中Transformer(v)操作表示《Attention Is All You Need》中提出的Transformer；

S2.3：特征级联

所述高层RGBD融合特征与高层RGBD优化特征进行级联并卷积，产生高层RGBD增强特征

4.根据权利要求3所述的一种RGB‑D图像显著目标检测方法，其特征在于，在步骤S2.1：尺度调整中，具体步骤如下：

S2.1.1：调整通道数

对于所述S1步骤得到的高层RGBD融合特征 实施一个T(·)操作，得到同通道数的高层RGBD多尺度特征 具体描述为：其中T(·)操作是指对特征X进行卷积核为3×3的卷积操作，并实施ReLU激活函数：T(X)＝ReLU(Conv(X))其中Conv(·)表示卷积操作，ReLU(·)表示ReLU激活函数；

S2.1.2：调整分辨率

对于所述S2.1.1步骤得到的同通道数的高层RGBD多尺度特征 经过一个逐层上采样操作PUFM(·)，得到同通道数同分辨率的高层RGBD同尺度特征 具体描述为：

所述PUFM(·)操作根据i的不同有所区别，具体定义如下：

5.根据权利要求1所述的一种RGB‑D图像显著目标检测方法，其特征在于，在步骤S3中，三流解码所述高层RGBD增强特征，通过与低层RGBD融合特征的结合，加强显著物体边缘细节信息，形成体现全局和局部特性的RGBD细化特征 具体方法如下：

6.根据权利要求1所述的一种RGB‑D图像显著目标检测方法，其特征在于，在步骤S4中，融合所述RGBD细化特征形成显著图：