1.一种基于前景选择域自适应的目标检测方法，其特征在于，包括以下步骤：获取源域图像数据集和目标域图像数据集，并输入至检测网络；

分别对源域图像数据集和目标域图像数据集进行图像特征提取，得到对应的多层次语义特征；

根据多层语义特征中的全局特征提取图像的感兴趣区域；

对感兴趣区域进行背景预测，得到背景预测分数；

对感兴趣区域的位置进行回归修正；

通过将背景预测分数小于0.5的感兴趣区域对多层次语义特征进行池化，得到不同层次的前景特征；

将全局特征、前景局部特征和前景全局特征输入至域分类器；

基于前景局部对齐模块对前景局部特征进行对齐处理，判别该前景局部特征属于源域还是目标域；

所述前景局部对齐模块的损失函数的表达式如下；

上式中， 和 分别代表从源域图像和目标域图像中挑选出来的前景特征，该前景特征宽和高分别为W和H，R表示感兴趣区域池化操作，F表示特征提取t s器，源域和目标域分别拥有N和N张图像，对于第i张目标域图像和源域图像 和 分别挑选了 和 个前景区域，相应的第j个前景框的信息为 和 Dfl(·)wh代表前景局部对齐模块对特征图空间坐标(w,h)的特征进行域分类的结果；

基于前景全局对齐模块对前景全局特征进行对齐处理，判别该前景全局特征属于源域还是目标域；

所述前景全局对齐模块的损失函数的表达式如下；

上式中，Dfg(·)代表前景全局对齐模块对整个前景特征图进行域分类的结果；

基于全局对齐模块对全局特征进行对齐处理，判别该全局特征属于源域还是目标域；

完成所有特征的域分类，得到域自适应的检测网络；

根据域自适应的检测网络对待测目标集进行目标检测。

2.根据权利要求1所述一种基于前景选择域自适应的目标检测方法，其特征在于，所述分别对源域图像数据集和目标域图像数据集进行图像特征提取，得到对应的多层次语义特征这一步骤，其具体包括：基于主干网分别对源域图像数据集和目标域图像数据集中的图像进行处理；

通过堆叠卷积层和非线性的激活函数，提取各个图像对应的多层次语义特征。

3.根据权利要求2所述一种基于前景选择域自适应的目标检测方法，其特征在于，所述根据多层语义特征中的全局特征提取图像的感兴趣区域这一步骤，其具体包括：基于区域生成网络对源域图像数据集和目标域图像数据集中的图像进行处理；

根据图像对应的多层次语义特征中的全局特征，生成区域的中心点坐标、宽和高，得到感兴趣区域。

4.根据权利要求3所述一种基于前景选择域自适应的目标检测方法，其特征在于，所述全局对齐模块的损失函数的表达式如下：上式中， 和 分别表示从源域图像和目标域图像提取的全局特征，γ表示预设参数，Dg(·)代表全局对齐模块对整个全局特征图进行域分类的结果。

5.一种基于前景选择域自适应的目标检测系统，其特征在于，包括：数据获取模块，用于获取源域图像数据集和目标域图像数据集，并输入至检测网络；

语义特征提取模块，用于分别对源域图像数据集和目标域图像数据集进行图像特征提取，得到对应的多层次语义特征；

感兴趣区域提取模块，用于根据多层语义特征中的全局特征提取图像的感兴趣区域；

前景选择模块，用于对感兴趣区域进行背景预测，得到背景预测分数；对感兴趣区域的位置进行回归修正；通过将背景预测分数小于0.5的感兴趣区域对多层次语义特征进行池化，得到不同层次的前景特征；

域自适应模块，用于将全局特征、前景局部特征和前景全局特征输入至域分类器；基于前景局部对齐模块对前景局部特征进行对齐处理，判别该前景局部特征属于源域还是目标域；基于前景全局对齐模块对前景全局特征进行对齐处理，判别该前景全局特征属于源域还是目标域；基于全局对齐模块对全局特征进行对齐处理，判别该全局特征属于源域还是目标域；完成所有特征的域分类，得到域自适应的检测网络；

所述前景局部对齐模块的损失函数的表达式如下；

上式中， 和 分别代表从源域图像和目标域图像中挑选出来的前景特征，该前景特征宽和高分别为W和H，R表示感兴趣区域池化操作，F表示特征提取t s器，源域和目标域分别拥有N和N张图像，对于第i张目标域图像和源域图像 和 分别挑选了 和 个前景区域，相应的第j个前景框的信息为 和 Dfl(·)wh代表前景局部对齐模块对特征图空间坐标(w,h)的特征进行域分类的结果；

所述前景全局对齐模块的损失函数的表达式如下；

上式中，Dfg(·)代表前景全局对齐模块对整个前景特征图进行域分类的结果；

检测模块，用于根据域自适应的检测网络对待测目标集进行目标检测。