1.一种改进的G‑Yolov4移动机器人目标检测方法，其特征在于，包括以下步骤：(1)对移动机器人上的高清摄像头采集到的图像进行灰度化预处理并送入G‑Yolov4网络中，图片输入到改进的GhostNet中时，首先会进行一个16通道的普通1×1卷积块，卷积块进行卷积、标准化、激活函数操作；

(2)进行多次Ghost Bottlenecks操作，在过程中，利用Ghost Bottlenecks在堆叠过程中，获取有效特征层A1，A2，到此两个初步有效特征提取完毕，上述步骤获得特征Aj,j＝1,2；

(3)将所得特征A1进行一次Concat通道数增加，进行五次1×1的卷积，将得到的特征A2进行一次1×1的卷积以及一次上采样，然后与操作过的A1特征进行堆叠池化得到特征B1,接着将A1进行一次下采样并与A2进行堆叠得到B2；

(4)特征B1进行一次Concat通道数增加并进行五次1×1的卷积得到特征C1，将得到的特征B2与特征C1的下采样堆叠池化得到特征C2，最终有效特征C1，C2作为Yolo head输出；

所述步骤(2)为：

(2.1)对步骤(1)输出的112×112×16的特征图进行一次步长为1的Ghost Bottlenecks进行特征浓缩与深度可分离卷积再将输出的特征图进行一次步长为2的Ghost Bottlenecks进行特征浓缩与深度可分离卷积；

(2.2)对上一步输出的56×56×24的特征图进行一次步长为1的Ghost Bottlenecks进行特征浓缩与深度可分离卷积再将输出的特征图进行一次步长为2的Ghost Bottlenecks进行特征浓缩与深度可分离卷积；

(2.3)对上一步输出的28×28×40的特征图进行一次步长为1的Ghost Bottlenecks进行特征浓缩与深度可分离卷积再将输出的特征图进行一次步长为2的Ghost Bottlenecks进行特征浓缩与深度可分离卷积；

(2.4)对上一步输出的14×14×80的特征图进行三次步长为1的Ghost Bottlenecks进行特征浓缩与深度可分离卷积；

(2.5)对上一步输出的14×14×112的特征图进行一次步长为1的Ghost Bottlenecks进行特征浓缩与深度可分离卷积；

(2.6)对上一步输出的7×7×160的特征图进行三次步长为2的Ghost Bottlenecks进行特征浓缩与深度可分离卷积；

(2.7)将输出的特征图进行一次步长为1的Ghost Bottlenecks进行特征浓缩与深度可分离卷积并将输出的特征图利用一个1×1的卷积块进行通道数的调整；

(2.8)将上一步输出的7×7×960的特征图进行平均池化；

(2.9)将上一步输出的1×1×960进行一次步长为1的1×1卷积对通道数进行调整；

(2.10)将(2.5)和(2.9)提取的特征送入特征融合模块进行加强特征提取，设主干初步提取特征即特征融合模块输入为Aj,j＝1,2，获得有效特征层A1，A2。

2.根据权利要求1所述的一种改进的G‑Yolov4移动机器人目标检测方法，其特征在于，所述步骤(1)中为采集到的图像大小进行统一化处理，输入224×224×3的图像按顺序进行批量归一化、标准化、激活操作。

3.根据权利要求1所述的一种改进的G‑Yolov4移动机器人目标检测方法，其特征在于，所述步骤(3)为：进入特征融合模块，将上一阶段输出的A1进行一次Concat通道数增加并进行五次1×1的卷积，将A2进行一次1×1的卷积并进行一次上采样，将二者堆叠得到B1，特征A2进行一次1×1的卷积和一次下采样并与A2进行堆叠得到B2。

4.根据权利要求1所述的一种改进的G‑Yolov4移动机器人目标检测方法，其特征在于，所述步骤(4)为：将上一阶段得到的B1进行一次Concat通道数增加并进行五次1×1的卷积，得到C1，将C1进行下采样与B2堆叠进行一次Concat通道数增加和五次1×1的卷积，得到C2，接着设特征融合模块输出为Ci,i＝1,2，得到有效特征C1，C2作为Yolo head输出，最终得到检测结果。

5.根据权利要求1所述的一种改进的G‑Yolov4移动机器人目标检测方法，其特征在于，所述步骤(3)中B1和B2的计算公式如下：其中τ1、τ2是对应堆叠特征的权重，

其中σ1、σ2是对应堆叠特征的权重。

6.根据权利要求1所述的一种改进的G‑Yolov4移动机器人目标检测方法，其特征在于，所述步骤(4)中C1和C2的计算公式如下：C1＝conv(B2)

其中θ1、θ2是对应堆叠特征的权重。