1.一种基于级联SSD和单目深度估计的前向车辆距离检测方法，其特征在于，包括以下步骤：S1、获取前向车辆训练样本和深度估计数据集；

S2、搭建骨干网络；

S3、搭建目标检测网络；

S4、搭建深度估计子网络；

S5、基于级联SSD网络和单目深度估计前向车辆距离检测网络的训练；

S6、基于K‑means聚类特征点的选取和距离检测。

2.根据权利要求1所述的基于级联SSD和单目深度估计的前向车辆距离检测方法，其特征在于，所述S1包括以下步骤：S11、下载KITTI数据集，所述KITTI数据集中包含车辆训练图片、标注文件、每张图片对应的相机和雷达标定参数和点云文件；

S12、对KITTI数据集进行数据清洗，筛选出标注有误的图片并剔除；

S13、采用K‑means聚类选择出合适的锚框个数和高宽比；

S14、统计KITTI数据集的深度信息，为后续优化深度估计模型做准备；

S15、随机将KITTI数据集的80％作为训练集，20％作为测试集。

3.根据权利要求2所述的基于级联SSD和单目深度估计的前向车辆距离检测方法，其特征在于，所述S2包括以下步骤：S21、选取VGG‑16作为特征提取的骨干网络的基础，并在此基础上进行修改；

S22、将训练图片下采样至Conv4‑3分辨率大小，再通过3个3×3卷积层，获得图片目标细节的低级别特征图δ0；接着将fc7层特征上采样至Conv4‑3分辨率大小，获得特征图δ1，然后将Conv5‑3通过反卷积上采样后获得特征图δ2，最后将δ0、δ1、δ2三个特征图与Conv4‑3进行通道维度的特征融合，实现特征增强，得到融合后的特征图ψ0；

S23、将ψ0作为串联ASPP的输入，ASPP的空洞率分别设置为2和3，再将通过每个ASPP后的特征层ψ1、ψ2提取出来，将ψ0、ψ1、ψ2在通道上叠加，并使得其和原始Conv4‑3通道数目一致，得到特征图ψ。

4.根据权利要求3所述的基于级联SSD和单目深度估计的前向车辆距离检测方法，其特征在于，所述S3包括以下步骤：S31、将目标检测子网络采用SSD网络为基础进行改进，首先将检测网络中的锚框个数和尺寸更改为S13中的得到的尺寸；

S32、在S23中得到的特征图ψ基础上，额外添加3组卷积层，每组卷积层由1个步长为2的

1×1卷积和1个3×3卷积组成，共用4个尺度的特征图构建特征金字塔，作为目标检测网络的初检网络，用来分类背景和前景；

S33、在初检网络的基础上，对每个尺度的特征图采用可变形卷积，以缓解锚框机制造成的特征不对齐问题。

5.根据权利要求4所述的基于级联SSD和单目深度估计的前向车辆距离检测方法，其特征在于，所述S4包括以下步骤：S41、在S23中得到的特征图ψ基础上，通过额外的3层卷积层，每组卷积层由1个步长为2的1×1卷积和1个3×3卷积组成，得到特征层σ0；

S42、在特征层σ0的基础上，通过恒等映射与反卷积层进行上采样，将反卷积图像大小变为原图的1/4大小。

6.根据权利要求5所述的基于级联SSD和单目深度估计的前向车辆距离检测方法，其特征在于，所述S5包括以下步骤：S51、设计总体损失函数，包括目标检测损失函数、单目估计网络损失函数和感知损失函数；

S52、将网络输入图片大小设置为300*300，初始学习率设置为0.003，学习率调整为多项式衰减，batch‑size设置为16；

S53、将模型训练先迭代50万次，然后抑制深度估计网络分支，将目标检测分支迭代15万次后，再对整个网络迭代20万次。

7.根据权利要求6所述的基于级联SSD和单目深度估计的前向车辆距离检测方法，其特征在于，所述S6包括以下步骤：S61、以原始图像作为输入，通过训练好的模型，得到图像中的车辆检测置信度和检测框以及该图像的单目深度图像；

S62、得到检测框的坐标(x1,y1,x2,y2)，中心点坐标表示为：以此中心点横向坐标来划分车辆为上下两个部分，下部分包含了车尾或者车头的大部分信息，也是车车之间距离最近点的所在，以此作为深度估计聚类集合；

S63、采用K‑means聚类算法，对S62得到的集合进行聚类，主要聚类为前景和背景两类，最后采用前景簇聚类中心点作为测距特征点并输出距离信息。