1.一种基于视频分析的轨道异物侵限监测方法，其特征在于，包括以下步骤：轨道视频采集，临近轨道设置对轨道进行视频监测的摄像机，所述摄像机将拍摄的视频图像实时传输给轨道视频监测平台；动态目标检测，轨道视频监测平台对接收的视频图像进行目标检测，从中发现动态目标；异物类型识别，当发现动态目标后，利用轨道异物检测模型对动态目标进行识别，确定异物类型和报警等级；在所述轨道视频采集步骤与动态目标检测步骤之间还进一步包括去雨干扰步骤，出现下雨天气造成对视频图像的干扰，则从视频图像中提取雨特征信息，根据所述雨特征信息从所述视频图像中去除雨纹干扰，然后对去除雨纹干扰的视频图像再进行动态目标检测；去雨干扰步骤还进一步包括：对于所述视频图像，首先是通过雨特征提取网络进行雨特征提取，得到雨密度标签和雨纹特征，然后再通过雨纹图构建网络对雨密度标签和雨纹特征恢复出雨纹图，将所述视频图像减去雨纹图得到的粗略去雨图像和所述视频图像共同输入到去雨网络中，进一步得到优化修正的去雨图像；所述雨特征提取网络包括三组串联在一起的卷积层1和池化层1、卷积层2和池化层2、卷积层3和池化层3，然后输出雨纹特征1、雨纹特征2、雨纹特征3，这三个雨纹特征再组合并经过全连接层后降维输出一个一维特征，通过计算损失函数与标准的雨密度标签进行比较，进而获得当前视频图像中对应的一维雨密度标签，实现对雨密度分类，所述一维雨密度标签包括：0表示无雨，1表示小雨，2表示大雨；所述雨纹图构建网络包括四组串联在一起的反卷积层1和反池化层1、反卷积层2和反池化层2、反卷积层3和反池化层3、反卷积层4和反池化层4，所述一维雨密度标签是从反卷积层1输入，三个雨纹特征则是从反卷积层2输入，反池化层4又进一步输出雨纹图1、雨纹图2和雨纹图3，经过堆叠后得到一个组合的所述雨纹图；所述去雨网络包括16组串联在一起的卷积层和池化层，原视频图像和粗略去雨图同步输入到所述去雨网络中的卷积层1，经过16组卷积和池化处理后，原视频图像对应输出4个背景特征，粗略去雨图也输出4个背景特征，对这些背景特征进行特征偏差计算，并通过特征损失函数进行特征近似比较，当偏差值小于设定的阈值时，则输出的是经过优化的修正去雨图。
2.根据权利要求1所述的基于视频分析的轨道异物侵限监测方法，其特征在于，在目标动态检测步骤中，进一步包括背景模型初始化，像素点分类和更新背景模型；所述背景模型初始化，对视频中单帧图像序列进行选择，从中确定所需的视频图像帧作为目标检测的背景模型；所述像素点分类，当输入一帧视频图像时，需要对该视频图像中的像素识别属于对应的背景模型中的像素或者新出现的像素，如果不是背景模型中的像素，则该像素则属于前景，则用于判断识别目标是否出现；更新背景模型，对于固定场景进行视频拍摄，包括选择在不同时段的单帧图像作为目标检测的背景模型并加以更新。
3.根据权利要求2所述的基于视频分析的轨道异物侵限监测方法，其特征在于，所述更新背景模型包括无记忆更新、时间取样更新和空间邻域更新。
4.根据权利要求1所述的基于视频分析的轨道异物侵限监测方法，其特征在于，在所述异物类型识别步骤中进一步包括轨道异物检测模型训练，利用轨道异物数据库和深度学习卷积神经网络构建轨道异物检测模型，将所述轨道异物数据库作用于深度学习卷积神经网络，对深度学习卷积神经网络的深度卷积层及池化层进行异物特征提取，学习相关异物种类，对深度学习卷积神经网络反复迭代训练，使该网络不断收敛，并且以二值交叉熵损失函数作为衡量网络偏移的标准，实现异物检测和分类，获取最佳的轨道异物检测模型。
5.根据权利要求4所述的基于视频分析的轨道异物侵限监测方法，其特征在于，还包括轨道异物检测，将经过动态目标检测后的实时视频图像输入到经过训练的轨道异物检测模型，实时检测动态目标中异物种类，若发生异物侵限告警，输出异物位置及识别置信度。
6.一种基于视频分析的轨道异物侵限监测系统，其特征在于，包括视频采集单元、动态目标检测单元、视频分析单元；其中，视频采集单元包括临近轨道设置对轨道进行视频监测的摄像机，所述摄像机将拍摄的视频图像实时传输给动态目标检测单元；动态目标检测单元对接收的视频图像进行目标检测，从中发现动态目标；视频分析单元则在发现动态目标后，利用轨道异物模型对动态目标进行识别，确定异物类型和报警等级；还包括图像去雨单元，用于当出现下雨天气造成对视频图像的干扰时，从视频采集单元获取的视频图像中提取雨特征信息，根据所述雨特征信息从所述视频图像中去除雨纹干扰，然后对去除雨纹干扰的视频图像再通过动态目标检测单元进行动态目标检测；所述图像去雨单元包括雨特征提取网络、雨纹图构建网络和去雨网络，对于原视频图像，首先是通过雨特征提取网络进行雨特征提取，得到雨密度标签和雨纹特征，然后再通过雨纹图构建网络对雨密度标签和雨纹特征恢复出雨纹图，将原视频图像减去雨纹图得到的粗略去雨图像和原视频图像共同输入到去雨网络中，进一步得到优化的修正去雨图像；所述雨特征提取网络包括三组串联在一起的卷积层1和池化层1、卷积层2和池化层2、卷积层3和池化层3，然后输出雨纹特征1、雨纹特征2、雨纹特征3，这三个雨纹特征再组合并经过全连接层后降维输出一个一维特征，通过计算损失函数与标准的雨密度标签进行比较，进而获得当前视频图像中对应的一维雨密度标签，实现对雨密度分类，所述一维雨密度标签包括：0表示无雨，1表示小雨，2表示大雨；所述雨纹图构建网络包括四组串联在一起的反卷积层1和反池化层1、反卷积层2和反池化层2、反卷积层3和反池化层3、反卷积层4和反池化层4，所述一维雨密度标签是从反卷积层1输入，三个雨纹特征则是从反卷积层2输入，反池化层4又进一步输出雨纹图1、雨纹图2和雨纹图3，经过堆叠后得到一个组合的所述雨纹图；所述去雨网络包括16组串联在一起的卷积层和池化层，原视频图像和粗略去雨图同步输入到所述去雨网络中的卷积层1，经过16组卷积和池化处理后，原视频图像对应输出4个背景特征，粗略去雨图也输出4个背景特征，对这些背景特征进行特征偏差计算，并通过特征损失函数进行特征近似比较，当偏差值小于设定的阈值时，则输出的是经过优化的修正去雨图。
7.根据权利要求6所述的基于视频分析的轨道异物侵限监测系统，其特征在于，对于动态目标检测单元，进一步包括背景模型建立模块、识别场景目标模块和更新背景模型模块。
