1.一种基于YOLOv3模型的高阶目标检测方法，其特征在于，包括如下步骤：步骤1：预设图像数据集；

步骤2：设计高区分性特征提取方法：通过高通滤波器和低通滤波器对预输入图像的水平、垂直和斜对角方向的特征进行提取，具体过程如下：步骤2.1：根据Haar的尺度函数获取矢量空间Vi：j/2 j

Vi＝s φ(sx‑k)|i,k∈Z

j

其中s是尺度变量，j的变化将使空间得到缩小或扩大，k是平移变量，k的变化将影响空间在x轴上的位置；

步骤2.2：根据Haar的小波函数获取矢量空间Wi为：j/2 j

Wi＝s Ψ(sx‑k)|i,k∈Z

j

其中Wi表示第i级小波函数形成的矢量空间，s是尺度变量，j的变化将使空间得到缩小或扩大，k是平移变量，k的变化将影响空间在x轴上的位置；

步骤2.3：通过矢量空间Wi表示矢量空间Vi：

步骤2.4：通过步骤2.3中获取的公式(1)对预输入图像的水平、垂直和斜对角方向的特征进行提取；

步骤3：设计高阶目标检测方法：在特征层上采样之前加入高阶计算，将输入图像进行拆分获取子张量，对子张量进行层乘积运算和加法运算，之后加入激活函数并且正则化，具体过程如下：步骤3.1：特征矩阵进行逐元素相乘操作：在三次下采样之后，Darknet53主干网络输出三个shape特征，在前两个特征上采样之前截取一半并复制三份，通过连续的层乘法运算将三个特征矩阵进行逐元素相乘，如下式所示：r

其中w 表示第r个特征向量，x是对应向量的局部特征， 是x的r阶自外积，可以表示高阶特征的相互作用；

步骤3.2：特征层非线性激活：将f(x)使用sigmoid函数激活，通过残差单元输出处理后的特征：F(x)＝sigmoid(f(x))+x

F(x)即为高阶计算得到的结果，并传递到卷积神经网络的下一层；

步骤4：对卷积神经网络参数进行调整；

步骤5：运用所述高区分性特征提取方法对图像数据集的高区分性特征进行提取，将获取的图像数据集的特征导入融合了所述高阶目标检测方法的深度学习网络，完成对图像数据集的拟合。

2.如权利要求1所述的基于YOLOv3模型的高阶目标检测方法，其特征在于，所述步骤

3.1中三个shape分别为(13，13，1024)，(26，26，768)和(52，52，128)。

3.如权利要求1所述的基于YOLOv3模型的高阶目标检测方法，其特征在于，所述步骤4包括：先验框设置：根据聚类算法，选取(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)，(373x326)，9个不同大小的先验框，在52*52特征图上使用较小先验框(10x13)，(16x30)，(33x23)，在26*26特征图上使用中等先验框(30x61)，(62x45)，(59x119)，在13*13特征图上使用大先验框(116x90)，(156x198)，(373x326)。

4.如权利要求3所述的基于YOLOv3模型的高阶目标检测方法，其特征在于，所述步骤4还包括：其他参数设置：gpu利用率设置为0.7，不全部占满显存,按需分配，使用BFC算法，Batch_size设置为8，学习率为1e‑4，训练500批次密。