1.一种基于halcon双目立体视觉的树木胸径测量方法，其特征在于，包括：步骤S1、双目相机标定；步骤S2、以双目相机采集图像构建深度学习图像数据集，基于halcon深度学习网络框架进行树木目标检测训练，通过调节参数得到最优模型；步骤S3、(1)采用read_cam_par和read_pose算子，读取双目立体视觉标定获取到的左右相机的摄像机内部参数和右相机相对左相机的位姿；(2)采用gen_binocular_rectification_map算子，获取非标准外极限图像和标准外极限图像之间的变换矩阵，根据变换矩阵对左右相机成像进行图像校正；(3)采用read_dl_model算子，引入已训练好的树木胸径检测模型，并利用参数设置set_dl_model_param算子设置相应参数；(4)采用list_files、tuple_regexp_select算子进行摄像机的打开或图像的读取；(5)采用gen_dl_samples_from_images、preprocess_dl_samples算子对左右图像分别进行检测，获取阈值分割后的树木胸径以下边界区域，选取边界左上与右上两目标点坐标位置，定义其横坐标差值为胸径大小，采用gray_features算子进行指定区域的灰度特征值的计算，从而获取读到的图像区域灰度值，根据threshold(B,RegionB,L1,255)，threshold(H,RegionH,L2,255)算子得到灰度值信息，之后进行树干胸径部分及以下区域两边界阈值的确定L1:＝ValueR/1.3，L2:＝ValueR/1.7，最后对两个通道分割，再取并集，得到目标检测区域；(6)采用open_framegrabber算子，在循环体中，从图像数据中依次读入树木图像，开始时选取头两帧图像，往后每次保留时间靠后的一张图像，读入新图像，覆盖时间靠前的一张图像；(7)采用tuple_mean和disp_message算子，并定义All:＝[All,Mean]对识别次数进行统计，识别次数符合规定设定要求则进行树木胸径均值求取，否则视为识别无效，不进行胸径数值统计；(8)检测有效识别的树木，当目标树木在视野边缘消失且求取有效的胸径值时，相应的树木数量统计计数器加1；(9)采用open_file和fwrite_string算子导出统计数值，包括树木数量计数器数值和其所对应的树木胸径均值。
2.如权利要求1所述的树木胸径测量方法，其特征在于，所述步骤S1的双目相机标定方式进一步包括：通过圆点型标定板对双目相机的内外参进行标定，基于halcon非线性模型句柄标定法得到标定参数，根据标定参数对图像进行校正，并采用Block Matching算法进行立体匹配与视差图计算。
3.如权利要求2所述的树木胸径测量方法，其特征在于：所述步骤S1中，双目相机标定采用halcon校准数据模型，采集多张校准图像，采集过程中，上张校准图像采集完毕后，进行采集的图像方向的转动，然后采集下张校准图像直至获得全部校准图像集，单张校准图像采集过程中控制保持静止状态。
4.如权利要求2所述的树木胸径测量方法，其特征在于，所述通过圆点型标定板对双目相机的内外参进行标定，基于halcon非线性模型句柄标定法得到标定参数，根据标定参数对图像进行校正，并采用Block Matching算法进行立体匹配与视差图计算，进一步包括：选择圆点型标定板进行相机标定，通过halcon标定助手窗口，根据相机参数，设定摄像机模型为面扫描类型，确定焦距和单个像元的宽、高3个参数；在相机视野中不断变换标定板位姿并且使用左、右相机各采集多幅标定图像，通过标定板图像对相机进行标定，获取了相机内部参数，并采用反投影误差的方法对相机标定精度进行计算，得出左、右相机标定平均误差；通过gen_radial_distortion_map算子建立有、无畸变时相机内参映射关系，并通过Block Matching算法进行立体匹配与视差图计算。
5.如权利要求1所述的树木胸径测量方法，其特征在于，所述步骤S2在构建深度学习图像数据集之前，进一步包括：采用gen_rectangle算子进行左右图像沿竖直方向中轴线平均分割；分割后采用smooth类算子或mean类算子平滑图像；用invert_image、scale_image算子进行图像增强，并进行图像标注。
6.如权利要求5所述的树木胸径测量方法，其特征在于：通过调节对比度与亮度实施所述图像增强；和/或所述图像标注进一步包括利用MVTec Deep Learning Tool标注工具进行胸径及以下区域矩形框标注。
7.如权利要求1所述的树木胸径测量方法，其特征在于，所述步骤S2的基于halcon深度学习网络框架进行树木目标检测训练，通过调节参数得到最优模型，进一步包括：模型网络被配置为SqueezeNet，其相应算子被配置为pretrained_dl_classifier_compact.hdl；和/或调节的参数被配置为至少包括batch-size、iterations和learning_rate。
8.如权利要求1所述的树木胸径测量方法，其特征在于，所述步骤S3中，所述获取阈值分割后的树木胸径以下边界区域，选取边界左上与右上两目标点坐标位置，定义其横坐标差值为胸径大小，进一步包括：通过形态学处理方法,采用get_dict_tuple和gen_circle获取阈值分割后的树木胸径以下边界区域和边界左上与右上两目标点坐标位置。
9.如权利要求1所述的树木胸径测量方法，其特征在于，所述步骤S3中，采用gray_features算子进行指定区域的灰度特征值的计算之前，进一步包括：采用invert_image、scale_image算子进行图像增强；根据变换矩阵对左、右相机分别进行图像校正。
10.如权利要求1所述的树木胸径测量方法，其特征在于，所述步骤S3进一步包括：步骤(1)、(2)、(3)中，所述摄像机内部参数、变换矩阵和树木胸径检测模型是放置电脑固定位置进行读取；和/或步骤(4)中，所读取图像被配置为彩色图像；和/或步骤(5)中，根据标注方式得到树木胸径矩形框，根据灰度值信息和两边界阈值设定得到检测区域。
