1.一种基于深度学习和帧差法的水表读数识别方法，其特征在于，步骤为：步骤1：采集大量水表图片；

步骤2：对每张水表图片进行预处理，构建水表训练集，具体包括：步骤2.1，对水表图片进行二值化；

步骤2.2，对二值化后的水表图片进行隔N点采样，剔除无用像素，得到水表训练集；其中设原图的大小为W*H，宽度和长度的缩小因子分别为K步骤3：对水表训练集中水表字符区域位置进行定位；

步骤4：对定位后的水表训练集进行字符分割；

步骤5：用AlexNet模型提取分割后水表训练集的水表字符特征；

步骤6：将水表字符特征送入到全连接网络进行训练，得到训练模型；

步骤7：将新采集的水表图像送入到训练模型中进行识别，得到识别结果，具体包括：步骤7.1，输入新采集的先后两帧水表图像，对上一帧水表图像保存后按步骤2的方式进行预处理，最后送入到训练好的模型中进行识别，得到首次识别结果；

步骤7.2，将下一帧水表图像作为当前图像，将先后两帧水表图像分别进行灰度化；

步骤7.3，对步骤7.2得到的两个灰度化图像做帧差法操作，得到差分水表图像；做完帧差操作后，将当前图像记为上一帧图片进行保存，循环更新保存的上一帧水表图片；

步骤7.4，设定阈值T，对差分图像D

步骤7.5，对二值化图像R

步骤7.6，对不同的差异性区域图像进行分割，得到多个分割后的字符图像；

步骤7.7，对多个分割后的字符图像进行隔N点采样；

步骤7.8，将步骤7.7采样后字符图像进行下标标记后，送入到模型中进行识别，得到二次识别结果，将首次识别结果与二次识别结果下标作比较，将二次识别结果下标相同的字符替换掉首次识别结果的水表读数，最终整合输出完整的水表读数；

步骤8：将识别结果正确的水表原图以及标签进行保存，加入到训练集中再次训练模型。

2.如权利要求1所述的一种基于深度学习和帧差法的水表读数识别方法，其特征在于，所述步骤1的过程为：固定水表与摄像头的距离，距离为5cm，通过改变水表的读数，获取到大量的水表图片，对所述水表图片分类做标签作为水表训练集。

3.如权利要求1所述的一种基于深度学习和帧差法的水表读数识别方法，其特征在于，所述步骤3的过程为：将字符“M”设置为搜索模板T对水表字符区域进行定位，T通过遍历整幅被搜索图S的像素点，模板覆盖被搜索图的那块区域叫子图S其中模板T的大小为m×n个像素，搜索图S的大小为W×H个像素通过比较T和S

4.如权利要求1所述的一种基于深度学习和帧差法的水表读数识别方法，其特征在于，所述步骤4的过程为：对定位后的图像进行开运算之后采用8邻域方式连接的连通域进行标记，通过计算定位后水表图片的坐标信息，将5个连在一起的水表字符分割成单一的字符。

5.如权利要求1所述的一种基于深度学习和帧差法的水表读数识别方法，其特征在于，所述步骤5包括：步骤5.1，在Tensorflow框架下利用Keras来搭建AlexNet模型，将输入图像的尺寸改为32*32*3以适应水表训练集，并将原始的AlexNet模型中的11*11、7*7、5*5大尺寸卷积核均替换成3*3的小卷积核；

步骤5.2，对分割后的水表训练集做两次卷积，第一次是96个3*3的卷积核，第二次是256个3*3的卷积核，不进行全零填充，为了解决梯度消失的问题，进行批标准化操作，激活函数为Relu进行最大池化，池化核尺寸为3*3，步长为2：f(x)是Relu取最大值的函数；为了提高模型的泛化能力，在第二次做卷积时，采用局部归一化响应：步骤5.3，继续做两次卷积，进行全零填充，激活函数为Relu，不进行批标准化操作以及最大池化；

步骤5.4，最后一次做卷积，进行全零填充，激活函数为Relu，不进行批标准化操作，进行最大池化，池化核尺寸为3*3，步长为2，最终得到水表字符特征。

6.如权利要求1所述的一种基于深度学习和帧差法的水表读数识别方法，其特征在于，所述步骤6中全连接层共有3层：第一二层共有2048个神经元，激活函数为Relu，为了缓解过拟合的现象，对20％的神经元进行舍弃，第三全连接层共10个神经元，迭代训练次数设置为5。

7.如权利要求1所述的一种基于深度学习和帧差法的水表读数识别方法，其特征在于，所述步骤8的步骤包括：将模型识别正确的水表图像以及它的标签进行保存，当正确识别的水表图片数量达到50时将保存的新数据添加到原有的训练集中重新进行训练。