1.一种基于全卷积网络和注意力机制的实时前景检测方法，其特征在于，包括以下步骤：S1、捕获一段视频，并利用视频数据构建前景检测数据集，从所述前景检测数据集中选取训练集和验证集；S2、将CBAM注意力模块添加至全卷积神经网络，构建融合注意力机制的全卷积网络模型；S3、设置一定的超参数，利用所述训练集对所述全卷积网络模型进行训练，并利用所述验证集验证所述全卷积网络模型的拟合效果，当达到预设效果时，训练完成，获得实时前景检测模型；S4、利用所述实时前景检测模型对当前捕获的视频进行前景区域实时检测，获得当前视频的前景检测结果；步骤S2包括：S21、构建所述全卷积网络模型的输入层；输入任意大小的3通道RGB图像，对于长或宽不满足16倍数的图像，进行边缘自适应补0的操作；S22、构建所述全卷积网络模型的编码器网络；编码器网络包括4个模块，其中，模块1、模块2、模块3均包含2个卷积核大小为3×3的卷积层和1个最大池化层；模块4包含4个卷积核大小为3×3的卷积层和1个最大池化层，最大池化层位于第二个卷积层之后；S23、构建所述全卷积网络模型的解码器网络；解码器网络包括5个模块，其中模块5、模块6、模块7、模块8均包含一个上采样层和2个卷积核大小为3×3的卷积层，先使用双线性插值法完成上采样，再进行特征的拼接，拼接好的特征进入2个卷积核大小为3×3的卷积层进行上采样特征的完善；模块9中包含CBAM注意力机制模块和一个卷积核大小为1×1的卷积层；步骤S3包括：S31、选用融合交叉熵损失函数CE与Dice损失函数计算损失loss，计算公式如下：loss＝CE+Dice式中，p i 为当前像素i的预测结果，y i 为当前像素i对应的真实结果，n表示图像像素的个数，p为对于一张图像的预测像素集合，y为标注图像的像素集合；S32、使用小批量随机梯度下降优化器作为训练的优化器，初始学习率设置为0.01，动量系数设置为0.9，batch-size设置为4，学习率遵循系数设置为0.9的Poly策略进行衰减，训练轮数设置为200；另外，训练程序中加入了监视器用于保存在验证集上效果最好的模型的参数权重，将效果最好的模型作为实时前景检测模型。
2.如权利要求1所述的基于全卷积网络和注意力机制的实时前景检测方法，其特征在于，步骤S1包括：S11、利用监控摄像头捕获一段视频；S12、从捕获的视频序列中按照均匀的时序分布选取M帧视频图像，使用任意像素级别的标注软件标注视频图像的前景区域，待标注完成后，随机选取N帧标注图像及对应的原始图像作为验证集，剩余M-N帧标注图像及对应的原始图像作为训练集；S13、对M帧视频图像进行标准化处理，得到标准化后结果，其中，标准化的公式如下：式中，y i 为标准化后结果，x i 为当前帧图像， 为训练集图像均值，s为训练集图像标准差， 和s为标准化参数。
3.如权利要求2所述的基于全卷积网络和注意力机制的实时前景检测方法，其特征在于，S4包括：S41、对当前捕获的视频按照与步骤S13相同的标准化参数进行标准化处理，得到标准化后的视频图像；S42、将所述标准化后的视频图像输入所述实时前景检测模型，输出当前视频的前景检测结果。
4.一种基于全卷积网络和注意力机制的实时前景检测装置，其特征在于，包括以下模块：数据集构建模块，用于捕获一段视频，并利用视频数据构建前景检测数据集，从所述前景检测数据集中选取训练集和验证集；网络构建模块，用于将CBAM注意力模块添加至全卷积神经网络，构建融合注意力机制的全卷积网络模型；网络训练模块，用于设置一定的超参数，利用所述训练集对所述全卷积网络模型进行训练，并利用所述验证集验证所述全卷积网络模型的拟合效果，当达到预设效果时，训练完成，获得实时前景检测模型；前景检测模块，用于利用所述实时前景检测模型对当前捕获的视频进行前景区域实时检测，获得当前视频的前景检测结果；网络构建模块的工作流程具体为：S21、构建所述全卷积网络模型的输入层；输入任意大小的3通道RGB图像，对于长或宽不满足16倍数的图像，进行边缘自适应补0的操作；S22、构建所述全卷积网络模型的编码器网络；编码器网络包括4个模块，其中，模块1、模块2、模块3均包含2个卷积核大小为3×3的卷积层和1个最大池化层；模块4包含4个卷积核大小为3×3的卷积层和1个最大池化层，最大池化层位于第二个卷积层之后；S23、构建所述全卷积网络模型的解码器网络；解码器网络包括5个模块，其中模块5、模块6、模块7、模块8均包含一个上采样层和2个卷积核大小为3×3的卷积层，先使用双线性插值法完成上采样，再进行特征的拼接，拼接好的特征进入2个卷积核大小为3×3的卷积层进行上采样特征的完善；模块9中包含CBAM注意力机制模块和一个卷积核大小为1×1的卷积层；网络训练模块的工作流程具体为：S31、选用融合交叉熵损失函数CE与Dice损失函数计算损失loss，计算公式如下：loss＝CE+Dice式中，p i 为当前像素i的预测结果，y i 为当前像素i对应的真实结果，n表示图像像素的个数，p为对于一张图像的预测像素集合，y为标注图像的像素集合；S32、使用小批量随机梯度下降优化器作为训练的优化器，初始学习率设置为0.01，动量系数设置为0.9，batch-size设置为4，学习率遵循系数设置为0.9的Poly策略进行衰减，训练轮数设置为200；另外，训练程序中加入了监视器用于保存在验证集上效果最好的模型的参数权重，将效果最好的模型作为实时前景检测模型。
