1.一種基于深度學習的圖像目標快速檢測方法，其特征在于，包括如下步驟：

(1)建立基于深度學習的第一級Tiny?YOLO目標檢測模型和第二級Tiny?YOLO目標檢測模型；

(2)向第一級Tiny?YOLO目標檢測模型輸入含有目標的測試圖像，網絡的最后一層輸出所有預測目標區域信息R₁：

R₁＝{r_i|r_i＝(x_i，y_i，w_i，h_i，P_i，c_1i，c_2i)，i＝1，2，...，845}

其中r_i為第i個預測目標區域，x_i為第i個區域左上角點的橫坐標，y_i為第i個區域左上角點的縱坐標，w_i為第i個區域的寬度，h_i為第i個區域的高度，p_i為第i個區域中含有目標的概率值或置信度，c_1i為第i個區域中目標為近距目標的概率值，c_2i為第i個區域中目標為遠距目標的概率值，i的取值范圍為1～845，由非極大值抑制算法得到置信度最大的目標區域r_k：

r_k＝(x_k，y_k，w_k，h_k，p_k，c_1k，c_2k)

p_k＝max{p_i，i＝1，2，...，845}

根據目標區域r_k的目標置信度p_k及目標區域的寬高比判斷檢測是否成功，判斷的條件如下：

若檢測成功，進行步驟(3)；若檢測失敗，進行步驟(4)；

(3)根據檢測區域與圖像分辨率的尺寸關系確定檢測區域是否為小目標區域，若為小目標則進行步驟(5)，判斷為小目標的條件如下所示：

W為輸入圖像的寬度，H：為輸入圖像的高度；

若不是小目標則輸出目標區域r：

r＝(x_k,y_k,w_k,h_k)

(4)對輸入的圖片進行分塊處理，然后對分塊處理后的圖像進行第一級Tiny?YOLO網絡檢測；若依舊檢測失敗，則輸出檢測失??；若檢測成功則進行步驟(3)；

(5)對第一級Tiny?YOLO網絡檢測輸出的檢測區域r_k進行放大截取，然后輸入至第二級Tiny?YOLO網絡，第二級Tiny?YOLO網絡最后一層輸出所有預測目標區域信息R₂：

R₂＝{r_i|r_i＝(x_i，y_i，w_i，h_i，p_i，c_1i，c_2i)，i＝1，2，...，50}

與第一級Tiny?YOLO網絡相同，采用非極大值抑制算法得到置信度最大的目標區域r_j＝(x_j,y_j,w_j,h_j,p_j,c_1j,c_2j)，結合放大區域的左上角坐標(x_{k_e},y_{k_e})，得到最終的輸出目標區域為r：

r＝(x_{k_e}+x_j,y_{k_e}+y_j,w_j,h_j)

所述步驟(1)中建立基于深度學習的第一級Tiny?YOLO目標檢測模型和第二級TinyYOLO目標檢測模型的具體步驟如下：

(1.1)獲取目標圖像數據集，人工標注目標檢測樣本，按照VOC格式生成第一級TinyYOLO目標檢測樣本庫；

(1.2)設計第一級Tiny?YOLO目標檢測網絡，并通過訓練得到第一級Tiny?YOLO目標檢測模型；

(1.3)根據第一級Tiny?YOLO目標檢測模型與第一級Tiny?YOLO目標檢測樣本庫自動生成第二級Tiny?YOLO目標檢測樣本庫；

(1.4)設計第二級Tiny?YOLO目標檢測網絡，并通過訓練得到第二級Tiny?YOLO目標檢測模型；

所述步驟(1.3)包括：

(1.3.1)將第一級Tiny?YOLO目標檢測樣本庫圖像輸入第一級Tiny?YOLO

目標檢測模型得到檢測區域R1；

(1.3.2)對檢測區域R1進行放大與偏移變換，生成多個圖像區域；

(1.3.3)根據輸入圖像的人工標注的目標區域Rect信息，得到生成的多個圖像區域的新標注信息NewRect；

(1.3.4)重復步驟(1.3.1)至(1.3.3)，直至遍歷完第一級Tiny?YOLO目標檢測樣本庫的所有圖像，生成的帶有新標注信息NewRect的圖像區域構成第二級Tiny?YOLO目標檢測樣本庫。