1.一种基于轻量化卷积神经网络的目标检测与定位方法，其特征在于，包括以下步骤：实时采集车辆前方的图像数据和点云数据；将上述采集到的图像数据实时传输到训练好的目标检测模型，进行目标识别，获取目标信息；所述目标检测模型采用轻量化卷积神经网络；将上述目标检测模型获取的目标信息及点云数据输入到训练好的目标定位模型，进行目标定位，得到目标相对于车辆的位置信息；所述轻量化卷积神经网络包括：骨干网络和特征提取网络；所述骨干网络，用于获取输入的图像数据中不同维度的特征图；所述特征提取网络，用于提取上述获取的特征图中的信息，并通过提取的信息预测目标的类别，得到目标在图像中2D包围盒信息；其中，所述骨干网络包括多个密集卷积块；所述特征提取网络包括多个残差块；所述多个密集卷积块依次连接，所述密集卷积块与所述残差块一一对应，所述残差块用于将与其对应的密集卷积块输出的特征图数据回传至该密集卷积块对应的输入特征图；所述密集卷积块为C/2通道数的1*1卷积核和3*3卷积核，所述密集 卷积块具体包括依次连接的输入层、三个并行的处理层、全连接层及输出层；其中一个处理层包括依次连接的一个1*1卷积核及两个3*3的卷积核，另一处理层包括依次连接的一个1*1卷积核及一个3*3的卷积核，又一处理层直接连接所述输入层和所述全连接层。
2.根据权利要求1所述的方法，其特征在于，所述将上述采集到的图像数据实时传输到训练好的目标检测模型，进行目标识别，获取目标信息，包括：获取训练所需数据，生成LMDB格式的训练集；基于caffe深度学习框架构建目标检测模型，并将上述生成的训练集作输入到所述目标检测模型中，设置初始化方法、学习率、优化器和损失函数，对模型进行多次训练，获得网络模型检测权重文件；将采集的图像数据输入到上述目标检测模型中，以上述网络模型检测权重文件作为目标检测模型的权重参数，进行目标的检测和识别，得到每帧图像中目标的类别和目标的2D包围盒信息。
3.根据权利要求2所述的方法，其特征在于，还包括：对获取的目标的2D包围盒信息进行处理：根据目标顶点坐标与宽度尺寸之间的关系，设定目标在图像中不同位置的宽高尺寸阈值；结合2D包围盒位置信息，将2D包围盒的宽、高尺寸与设定的阈值比较，移除超过阈值的2D包围盒。
4.根据权利要求3所述的方法，其特征在于，所述对获取的目标的2D包围盒信息进行处理，还包括：当出现相同类别的多个2D包围盒位置重叠程度超过设定的IOU阈值时，保留检测分数高的2D包围盒，移除其他2D包围盒。
5.根据权利要求1或4所述的方法，其特征在于，所述将上述目标检测模型获取的目标信息及点云数据输入到训练好的目标定位模型，进行目标定位，得到目标相对于车辆的位置信息，包括：获取KITTI数据集作为目标定位模型的训练集；基于TensorFlow深度学习框架，构建目标定位模型；将上述获取的训练集输入到目标定位模型中，设置初始化方法、学习率、优化器和损失函数，对模型进行多次训练，获得网络模型定位权重文件；将采集的点云数据与激光雷达坐标系投影到像素坐标系的标定参数进行计算后投影到图像上，基于目标检测模型获取的目标2D包围盒信息，从投影到图像上的点云数据中获取在目标2D包围盒内的点云数据；将每一个目标2D包围盒内的点云数据分别输入到目标定位模型中，以上述网络模型定位权重文件作为定位网络的权重参数，得到每一个目标与车辆的距离信息和目标的3D包围盒信息；所述点云数据由所述激光雷达采集得到。
6.根据权利要求5所述的方法，其特征在于，所述标定参数通过预先进行的单目相机与激光雷达联合标定处理获得；所述图像数据由所述单目相机采集得到；使用棋盘格作为标定板，采用张正友标定方法对单目相机进行内外参的标定，获得相机的内外参数；将激光雷达点云数据中的地面数据移除，进行平面拟合，获得标定板上的点云数据，使用ICP迭代获得激光雷达坐标系转到相机坐标系的旋转矩阵和平移矩阵；结合上述得到的相机的内外参数、旋转矩阵、平移矩阵，获得激光雷达坐标系投影到像素坐标系的标定参数。
7.根据权利要求1或6所述的方法，其特征在于，还包括对采集的点云数据进行预处理：去除无效点，包括采用数据属性的强度值，将强度值为负数的点云数据移除；去除有效范围外的点，包括在雷达坐标系中预先设定坐标范围，移除所述设定坐标范围外的点云数据。
8.根据权利要求7所述的方法，其特征在于，还包括对采集的图像数据和点云数据以车载平台的系统时间为标准，进行时间配准。
9.根据权利要求2所述的方法，其特征在于，所述获取训练所需数据，生成LMDB格式的训练集，还包括：对获取的数据进行干扰加强后，生成训练集，所述干扰加强包括数据水平翻转、加噪声或随机裁剪中的至少一种。
