1.一种基于红外图像的能见度检测方法，其特征在于：包括如下步骤：

步骤1)利用红外摄像机采集红外图像作为“能见度检测网络模型”的输入图像信号，并且建立红外图像能见度训练数据集；

首先，在红外摄像头的旁边同时放置能见度检测仪，采集数据时，同时保存红外图像IIR(t)和记录相对应的能见度值Vis(t)；

其次，将红外摄像机采集的N张图像命名并组成红外图像数据集合SIR＝{IIR(t),t∈[1,N]}；同时，利用相对应的能见度值Vis(t)进行标注；

再次，将图像集合SIR根据其标注的能见度Vis(t)的范围分成M类：SIR＝{S′IR(j),j∈[1,M]}，其中，S′IR(j)为第j类能见度的红外图像子集合；同时,制作S′IR(j)子集合对应种类的标签yj＝j,j∈[1,M]；

最后，获得能见度检测数据集合，包括图像SIR＝{S′IR(j),j∈[1,M]}和对应的标签集合YIR＝{yj,j∈[1,M]}；

步骤2)建立“能见度检测网络模型”，利用红外图像数据集训练网络，获取神经网络权值参数；

步骤3)利用训练完毕的“能见度检测网络模型”对待测的红外图像的能见度等级进行分类；

根据步骤1)所述预处理内容，将待测红外图像归一化为227x227x3，然后，将其作为“能见度检测网络模型”输入；经过特征提取网络的特征提取后，4096维度的特征向量送入softmax层获取各个能见度的等级的概率。

2.根据权利要求1所述的基于红外图像的能见度检测方法，其特征在于：所述步骤2)的具体内容为：所述的能见度检测网络模型共有14层，分别是输入层(227x227x3)、卷积层1(96个

11x11卷积核)、最大池化层1(3x3)、卷积层2(256个5x5卷积核)、最大池化层2(3x3)、卷积层

3(384个3x3卷积核)、卷积层4(384个3x3卷积核)、卷积层5(256个3x3卷积核)、最大池化层3(3x3)、全连接层1(4096维)、dropout层1(4096维)、全连接层2(4096维)、dropout层2(4096维)、softmax输出层(M)；M为能见度检测的等级；

网络训练过程如下：将红外训练图像集合SIR中的图像IIR利用imresize函数改变为分辨率为227x227x3的灰度图像作为“能见度检测网络模型”的输入信号；将对应的标签y作为训练的输出值；然后，利用“梯度下降法”求取“能见度检测网络模型”中的每个权值；训练结束后，保存权值矩阵作为“能见度检测网络模型”的数学模型。