1.一种基于机器视觉的机器人控制方法，其特征在于，应用于机器人的控制系统，所述方法包括：获取机器人采集的实时环境图像和多个预设控制点标准环境图像；

基于目标特征提取算法获得所述实时环境图像的第一环境图像表征数组，以及依据所述目标特征提取算法获得每个所述预设控制点标准环境图像的第二环境图像表征数组；

分别确定所述第一环境图像表征数组与每个所述第二环境图像表征数组之间的第一相似性评分；

确定第一相似性评分最大的第二环境图像表征数组对应的目标预设控制点标准环境图像，并依据所述目标预设控制点标准环境图像对应的控制策略控制所述机器人；

所述目标特征提取算法通过以下步骤进行训练得到：

获取第一图像知识模板组，所述第一图像知识模板组包括第一拟处理实时环境图像和与所述第一拟处理实时环境图像相匹配的目标控制点基准环境图像；

获取需要调优的神经网络算法，所述需要调优的神经网络算法的特征提取参量中包括原始特征提取参量和优化特征提取参量，所述原始特征提取参量的图像处理尺寸为原始图像处理尺寸，所述优化特征提取参量为用以对所述原始特征提取参量进行图像处理尺寸扩大的特征提取参量，依据所述优化特征提取参量对所述原始特征提取参量进行图像处理尺寸扩大，使所述特征提取参量的图像处理尺寸从所述原始图像处理尺寸扩大到目标图像处理尺寸，所述目标图像处理尺寸大于所述原始图像处理尺寸；

对所述需要调优的神经网络算法的算法参量进行预先设置，得到待调优神经网络算法，所述待调优神经网络算法中优化特征提取参量的启动参量为随机生成获得的，所述待调优神经网络算法中其他的算法参量的启动参量为通过事前训练得到的开放特征提取算法的算法参量进行预先设置获得的，所述其他的算法参量为所述待调优神经网络算法的全部算法参量中除所述优化特征提取参量以外的算法参量，所述其他的算法参量包括所述原始特征提取参量；

基于所述第一图像知识模板组，对所述待调优神经网络算法的优化特征提取参量进行调优，得到所述目标特征提取算法。

2.根据权利要求1所述的方法，其特征在于，所述基于所述第一图像知识模板组，对所述待调优神经网络算法的优化特征提取参量进行调优，得到目标特征提取算法，包括：基于所述第一图像知识模板组，对所述待调优神经网络算法的优化特征提取参量进行调优，得到临时神经网络算法；

获取第二图像知识模板组，所述第二图像知识模板组包括第二拟处理实时环境图像和与所述第二拟处理实时环境图像相匹配的目标控制点基准环境图像；

基于所述第二图像知识模板组对所述临时神经网络算法的全部算法参量进行再训练，得到所述目标特征提取算法。

3.根据权利要求2所述的方法，其特征在于，所述第一图像知识模板组的组数为多组，每一组所述第一图像知识模板组中包括第一拟处理实时环境图像和与所述第一拟处理实时环境图像相匹配的目标控制点基准环境图像，所述基于所述第一图像知识模板组，对所述待调优神经网络算法的优化特征提取参量进行调优，得到临时神经网络算法，包括：对于每一组所述第一图像知识模板组中的第一拟处理实时环境图像，获取所述第一拟处理实时环境图像的真标签模板和假标签模板，所述第一拟处理实时环境图像的真标签模板为与所述第一拟处理实时环境图像对应相同的第一图像知识模板组的目标控制点基准环境图像，所述第一拟处理实时环境图像的假标签模板为与所述第一拟处理实时环境图像对应不同的第一图像知识模板组的目标控制点基准环境图像；

对于每个第一拟处理实时环境图像，依据所述待调优神经网络算法得到所述第一拟处理实时环境图像的第一图像表征数组、所述第一拟处理实时环境图像的真标签模板的第二图像表征数组和所述第一拟处理实时环境图像的假标签模板的第三图像表征数组；

基于所述第一图像表征数组和所述第二图像表征数组，获取所述第一拟处理实时环境图像与所述第一拟处理实时环境图像的真标签模板之间的第二相似性评分，并基于所述第一图像表征数组和所述第三图像表征数组，获取所述第一拟处理实时环境图像与所述第一拟处理实时环境图像的假标签模板之间的第三相似性评分；

基于所述第二相似性评分和所述第三相似性评分确定第一代价值；

基于所述第一代价值对所述待调优神经网络算法的优化特征提取参量进行调优，得到所述临时神经网络算法。

4.根据权利要求2所述的方法，其特征在于，所述第二图像知识模板组的组数为多组，每一组所述第二图像知识模板组中包括第二拟处理实时环境图像和与所述第二拟处理实时环境图像相匹配的目标控制点基准环境图像，所述基于所述第二图像知识模板组对所述临时神经网络算法的全部算法参量进行再训练，得到所述目标特征提取算法，包括：对于每一组所述第二图像知识模板组中的第二拟处理实时环境图像，获取所述第二拟处理实时环境图像的真标签模板和假标签模板，所述第二拟处理实时环境图像的真标签模板为与所述第二拟处理实时环境图像对应相同的第二图像知识模板组的目标控制点基准环境图像，所述第二拟处理实时环境图像的假标签模板为与所述第二拟处理实时环境图像对应不同的第二图像知识模板组的目标控制点基准环境图像；

对于每个第二拟处理实时环境图像，依据所述临时神经网络算法输出所述第二拟处理实时环境图像的第四图像表征数组、所述第二拟处理实时环境图像的真标签模板的第五图像表征数组和所述第二拟处理实时环境图像的假标签模板的第六图像表征数组；

基于所述第四图像表征数组和所述第五图像表征数组，获取所述第二拟处理实时环境图像与所述第二拟处理实时环境图像的真标签模板之间的第四相似性评分，并基于所述第四图像表征数组和所述第六图像表征数组，获取所述第二拟处理实时环境图像与所述第二拟处理实时环境图像的假标签模板之间的第五相似性评分；

基于所述第四相似性评分和所述第五相似性评分确定第二代价值；

获取所述临时神经网络算法的所述其他的算法参量；

根据所述其他的算法参量的启动参量和调节后的参量，确定算法参量代价值；

基于所述第二代价值和所述算法参量代价值确定目标代价值；

基于所述目标代价值对所述临时神经网络算法的全部算法参量进行再训练，得到所述目标特征提取算法。

5.根据权利要求1~4任一项所述的方法，其特征在于，与所述第一拟处理实时环境图像相匹配的目标控制点基准环境图像的图像处理尺寸大于所述原始图像处理尺寸，所述获取第一图像知识模板组，所述第一图像知识模板组包括第一拟处理实时环境图像和与所述第一拟处理实时环境图像相匹配的目标控制点基准环境图像，包括：在图像处理尺寸大于所述原始图像处理尺寸的环境图像中确定所述目标控制点基准环境图像，以及确定与所述目标控制点基准环境图像相匹配的第一拟处理实时环境图像；

基于所述第一拟处理实时环境图像和与所述第一拟处理实时环境图像相匹配的目标控制点基准环境图像生成所述第一图像知识模板组。

6.根据权利要求5所述的方法，其特征在于，所述在图像处理尺寸大于所述原始图像处理尺寸的环境图像中确定所述目标控制点基准环境图像，包括：在机器人路径环境图像集中选取图像处理尺寸大于所述原始图像处理尺寸的环境图像作为待定环境图像；

基于所述待定环境图像确定所述目标控制点基准环境图像；

所述确定与所述目标控制点基准环境图像相匹配的第一拟处理实时环境图像，包括：

将所述机器人路径环境图像集中与所述目标控制点基准环境图像相匹配的拟处理实时环境图像作为与所述目标控制点基准环境图像相匹配的第一拟处理实时环境图像。

7.根据权利要求6所述的方法，其特征在于，所述待定环境图像的数量为多个，所述基于所述待定环境图像确定所述目标控制点基准环境图像，包括：对于每个所述待定环境图像，确定所述待定环境图像的路径区域在所述待定环境图像中的图像位置，所述路径区域为与所述待定环境图像对应的第一拟处理实时环境图像相匹配的图像区域；

当所述图像位置为目标图像位置时，在多个所述待定环境图像中依据事先确定的删除比例删除所述待定环境图像，得到所述目标控制点基准环境图像。

8.根据权利要求7所述的方法，其特征在于，所述确定所述待定环境图像的路径区域在所述待定环境图像中的图像位置，包括：依据所述原始图像处理尺寸对所述待定环境图像进行图像划块，得到多个环境图像分块；

分别确定所述多个环境图像分块与所述待定环境图像对应的第一拟处理实时环境图像之间的第六相似性评分；

将第六相似性评分最大的环境图像分块作为所述待定环境图像的路径区域在所述待定环境图像中的图像位置。

9.根据权利要求5所述的方法，其特征在于，所述在图像处理尺寸大于所述原始图像处理尺寸的环境图像中确定所述目标控制点基准环境图像，包括：将无标签图像样本中图像处理尺寸大于所述原始图像处理尺寸的无标签图像确定为所述目标控制点基准环境图像；

所述确定与所述目标控制点基准环境图像相匹配的第一拟处理实时环境图像，包括：

根据包括所述目标控制点基准环境图像和指导信息的引导样本，依据图像生成神经网络对所述目标控制点基准环境图像进行图像生成，得到与所述目标控制点基准环境图像相匹配的第一拟处理实时环境图像。

10.一种控制系统，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至9任一项所述方法中的步骤。