1.一种基于人工智能的高速公路恶劣天气识别方法，其特征在于，包括以下步骤：步骤1：构建高速公路恶劣天气数据集：通过高速公路上安装的监控摄像头采集各个路段的不同天气情况下的视频数据，整理形成包括不同恶劣天气图像数据和高速公路场景图像数据的高速公路恶劣天气数据集；

步骤2：提取天气视觉特征：用高速公路恶劣天气数据集训练卷积神经网络，对监控视频帧中抽取的关键帧进行视觉特征信息提取，获取天气特征图，使原始视频帧中的天气特征关键信息显著化，同时抑制背景信息的特征以降低其对恶劣天气分类器的干扰；

步骤3：天气特征图分块：将获取的天气特征图进行均匀分块，得到对应原始视频帧中某一局部区域的天气特征子图；

步骤4：天气密集分类：将每个天气特征子图分别进行恶劣天气分类，得到每个天气特征子图对应的原始视频帧中像素区域存在各种天气的概率；

步骤5：天气结果融合：将同一关键帧中不同的天气特征子图对应的概率结果进行合并，综合关键帧中不同区域的结果信息得出当前关键帧中包含某一恶劣天气的概率，进而得到天气分类的结果。

2.根据权利要求1所述的基于人工智能的高速公路恶劣天气识别方法，其特征在于，所述天气特征图分块具体为：步骤31：将视频帧特征图包括批量、宽、高和通道的四维特征图矩阵进行维度展开，得到便于分块的包括批量、1、宽、高和通道的五维特征图矩阵；

步骤32：对得到五维特征图矩阵进行线形变换，将关键帧特征图按照每个位置的向量均匀分块得到特征子图，即包括批量、块、子图宽、子图高和通道的新的特征矩阵，每个特征子图对应原始视频帧中的特定像素区域的天气深度视觉特征。

3.根据权利要求1所述的基于人工智能的高速公路恶劣天气识别方法，其特征在于，所述天气密集分类具体为：步骤41：将每个天气特征子图分别通过由两层全连接层构成的天气分类器，汇总天气特征子图的通道信息并进行分类，得到分类结果特征；

步骤42：逐个将分类结果特征通过特定激活函数，得出对应天气特征子图属于各类恶劣天气的概率。

4.根据权利要求1所述的基于人工智能的高速公路恶劣天气识别方法，其特征在于，所述天气结果融合具体为：步骤51：将同一关键帧中的每个天气特征子图属于某一天气的概率相加求平均，作为当前视频帧属于该特定类别的概率，最终得到关键帧天气分类的概率向量；

步骤52：从同一关键帧的概率向量中选取概率值最大的元素，将其对应的天气类别作为当前关键帧天气分类的结果。