1.一种基于注意力和双向加权特征融合的车辆目标检测方法，其特征在于，包括以下步骤：S1、选取UA‑DETRACK数据集，并对数据集进行预处理，得到预处理后的数据集；

S2、对预处理后的数据集进行数据增强处理，并将处理后的数据集作为训练样本；

S3、对车辆进行目标编码，然后进行网络的搭建；

S4、对训练样本进行特征提取，然后对提取的特征进行特征融合；

S5、对搭建好的网络进行训练，得到目标检测模型；

S6、对目标检测模型进行测试，并输出结果。

2.根据权利要求1所述的一种基于注意力和双向加权特征融合的车辆目标检测方法，其特征在于，S1中的选取数据集的具体步骤如下：

选取UA‑DETRACK数据集，将每帧图片的标注信息从xml格式中提取出来，并切分成训练集和测试集；通过编写python脚本将目标框位置信息进行规范化处理，并转换成TXT格式作为车辆数据集的标签。

3.根据权利要求1所述的一种基于注意力和双向加权特征融合的车辆目标检测方法，其特征在于，S1中对数据集进行预处理的具体方法如下：

对路边停靠的密集且静止不动的车辆，以及极远处目标太小且过于模糊的车辆的目标框里的像素进行高斯模糊。

4.根据权利要求1所述的一种基于注意力和双向加权特征融合的车辆目标检测方法，其特征在于，S2中对数据进行增强的方式如下：

对图像进行随机切分；对图像进行随机角度的翻转。

5.根据权利要求1所述的一种基于注意力和双向加权特征融合的车辆目标检测方法，其特征在于，S3中，在数据编码模块，改变原来的一级编码模式对数据集中的目标进行两级编码。

6.根据权利要求1所述的一种基于注意力和双向加权特征融合的车辆目标检测方法，其特征在于，S4中的特征融合采用双向加权特征融合模块和注意力模块融合的模式，将S1中自底向上通道得到的特征图通过注意力机制模块找到输入数据中与当前输出相关的有用信息，注意力机制模块包含一个Channel Attention和一个Spatial Attention，然后将注意力机制模块的特征图进行相加融合得到最终用于目标检测模型的特征。

7.根据权利要求1所述的一种基于注意力和双向加权特征融合的车辆目标检测方法，其特征在于，S5中CNN网络包括ResNet主干网络，双向特征融合模块和注意力机制模块的neck，中心点预测模块，分类模块，offset模块，以及scale模块。

8.根据权利要求7所述的一种基于注意力和双向加权特征融合的车辆目标检测方法，其特征在于，对于中心点预测模块，将网络得到的feature map和编码得到的feature map进行比较得到损失函数值，损失函数采用Focal Loss；

对于目标宽高模块和中心点偏移模块，将网络得到的feature map和编码得到的feature map进行比较得到损失函数值，损失函数采用DIOU Loss；

对于车辆类别判别模块，将网络得到的feature map和编码得到的feature map进行比较得到损失函数值，损失函数采用Cross Entropy Loss。