1.一种基于先验知识的小目标实时检测与定位方法，其特征在于，该方法包括以下步骤：
步骤s10，获取包含待定位目标的场景图像，作为输入图像；
步骤s20，通过预训练的基于深度学习的目标检测网络获取所述输入图像中待定位目标的各候选区域的位置及对应的分类置信度；所述位置为各候选区域的中心点坐标；
步骤s30，通过预构建的基于目标位置概率密度分布的高斯混合模型获取各候选区域位置的置信度；
步骤s40，对各候选区域，基于其对应的分类置信度、位置的置信度求取联合概率分布，得到联合置信度；将联合置信度大于设定置信度阈值的候选区域作为待定位目标最终的预测区域，进而得到待定位目标的最终位置。
2.根据权利要求1所述的基于先验知识的小目标实时检测与定位方法，其特征在于，所述基于目标位置概率密度分布的高混合模型，其构建方法为：
步骤a10，采集训练样本图像，并标定训练样本图像中待定位目标的中心点坐标，即位置；所述训练样本图像为包含待定位目标的场景图像；
步骤a20，对所述训练样本图像中待定位目标的中心点坐标进行预处理；预处理后，通过k-mean算法进行聚类，得到待定位目标的位置概率密度分布；所述预处理包括去中心化和标准化；
步骤a30，利用高斯混合模型对待定位目标的位置概率密度分布进行建模，得到基于目标位置概率密度分布的高斯混合模型。
3.根据权利要求2所述的基于先验知识的小目标实时检测与定位方法，其特征在于，所述去中心化为将每个训练样本图像中待定位目标的中心点坐标减去所有目标中心的坐标平均值。
4.根据权利要求3所述的基于先验知识的小目标实时检测与定位方法，其特征在于，所述标准化为将离待定位目标中心点最远的目标坐标作为半径，归一化目标位置到一个半径为1，中心点为(0，0)的圆内；标准化后的待定位目标的坐标用极坐标(p，θ)来表示：
其中，
5.根据权利要求1所述的基于先验知识的小目标实时检测与定位方法，其特征在于，所述基于目标位置概率密度分布的高斯混合模型为：
其中，p(x，y)表示基于目标位置概率密度分布的高斯混合模型，k为高斯混合模型的数目，πi是第i个高斯混合模型所占整体的权重，μi为第i个高斯混合模型的中心，∑i为第i个高斯混合模型的协方差矩阵，n(x，y|μi，∑i)表示第i个高斯混合模型密度分布函数。
6.根据权利要求5中所述的基于先验知识的小目标实时检测与定位方法，其特征在于，所述联合置信度，其获取方法为：
prob(box，object)＝prob(object)*prob(box|object)
prob(ti)＝πin(boxx，boxy|μk，∑k)
其中，prob(t，box，object)表示联合置信度，prob(ti)表示位置的置信度，即第i个高斯混合模型对待定位目标预测位置(x，y)的评估分数，prob(box，object)表示分类置信度，即候选区域box与待定位目标object的相似度，prob(object)表示object的概率，条件概率prob(box|object)表示在object的条件下，box的概率。
7.一种基于先验知识的小目标实时检测与定位系统，其特征在于，该系统包括：图像获取模块、分类置信度获取模块、位置置信度获取模块、预测区域获取模块；
所述图像获取模块，配置为获取包含待定位目标的场景图像，作为输入图像；
所述分类置信度获取模块，配置为通过预训练的基于深度学习的目标检测网络获取所述输入图像中待定位目标的各候选区域的位置及对应的分类置信度；所述位置为各候选区域的中心点坐标；
所述位置置信度获取模块，配置为通过预构建的基于目标位置概率密度分布的高混合模型获取各候选区域位置的置信度；
所述预测区域获取模块，配置为对各候选区域，基于其对应的分类置信度、位置的置信度求取联合概率分布，得到联合置信度；将联合置信度大于设定置信度阈值的候选区域作为待定位目标最终的预测区域，进而得到待定位目标的最终位置。
8.一种设备，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-6任一项所述的基于先验知识的小目标实时检测与定位方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求1-6任一项所述的基于先验知识的小目标实时检测与定位方法。