1.一种鱼道过鱼影像处理方法，其特征在于，所述方法包括：实时获取目标鱼道的初始监测影像；将所述初始监测影像输入至目标检测模型，输出检测信息；所述检测信息包括：鱼类信息和时间信息；所述鱼类信息包括：类别和位置坐标；所述时间信息包括：目标鱼道内出现鱼的时间；所述目标检测模型是基于目标检测算法，采用机器学习的方法构建的；根据所述检测信息和设定录制停止条件对目标鱼道进行影像录制裁剪，得到目标监测影像；所述设定录制停止条件为在所述目标鱼道内在设定时间间隔内未检测到鱼类信息；采用深度卷积神经网络提取所述目标监测影像的特征向量，并根据所述特征向量确定所述目标监测影像中相邻帧之间的关联关系；所述关联关系包括：相似度和运动信息；所述特征向量用于表征所述目标监测影像的检测信息；根据所述检测信息和所述关联关系，基于设定基准线确定上下行信息，并根据所述上下行信息确定过鱼数量；根据所述检测信息和所述关联关系，基于设定基准线确定上下行信息，并根据所述上下行信息确定过鱼数量，具体包括：采用卡尔曼滤波的方法，根据所述检测信息和所述关联关系，进行状态融合，得到更新状态信息；基于设定基准线，根据所述检测信息确定上下行信息；根据所述上下行信息，采用越线计数的方式确定所述过鱼数量。
2.根据权利要求1所述的鱼道过鱼影像处理方法，其特征在于，所述目标检测模型的确定方法，具体包括：获取训练数据；所述训练数据包括：多个训练鱼道的训练初始监测影像和标签数据；所述标签数据包括：训练初始监测影像对应的检测信息；将所述训练数据划分为训练集和验证集；基于目标检测算法构建神经网络；将所述训练集和对应的标签数据输入至所述神经网络，以损失函数最小为目标对所述神经网络的参数进行训练，得到训练后的神经网络；所述损失函数是根据所述神经网络的输出与所述标签数据之间的误差确定的；采用所述验证集和对应的标签数据对训练后的神经网络的参数进行调整，得到调整后的神经网络；将调整后的神经网络确定为所述目标检测模型。
3.根据权利要求1所述的鱼道过鱼影像处理方法，其特征在于，根据所述特征向量确定所述目标监测影像中相邻帧之间的关联关系，具体包括：基于所述目标监测影像中相邻帧之间的边界框的位置信息，计算所述目标监测影像中相邻帧之间的马氏距离；将所述马氏距离与设定阈值进行比较，若所述马氏距离小于所述设定阈值，则关联成功，得到所述运动信息；根据所述特征向量，计算所述目标监测影像中相邻帧之间的余弦特征距离；根据所述余弦特征距离确定所述相似度。
4.根据权利要求3所述的鱼道过鱼影像处理方法，其特征在于，所述马氏距离的函数表达式为： ；其中， 为马氏距离； 为第 帧的边界框位置信息； 为第 帧的边界框位置信息； 为协方差矩阵； 为转置矩阵。
5.根据权利要求3所述的鱼道过鱼影像处理方法，其特征在于，所述余弦特征距离的计算公式为： ；其中， 为余弦特征距离； 为第 帧特征向量； 为第 帧在 k 次关联成功的特征向量； 为转置矩阵； 为 k 次关联成功的特征向量集合。
6.一种鱼道过鱼影像处理系统，其特征在于，所述系统包括：影像获取模块，用于实时获取目标鱼道的初始监测影像；输出模块，用于将所述初始监测影像输入至目标检测模型，输出检测信息；所述检测信息包括：鱼类信息和时间信息；所述鱼类信息包括：类别和位置坐标；所述时间信息包括：目标鱼道内出现鱼的时间；所述目标检测模型是基于目标检测算法，采用机器学习的方法构建的；目标监测影像确定模块，用于根据所述检测信息和设定录制停止条件对目标鱼道进行影像录制裁剪，得到目标监测影像；所述设定录制停止条件为在所述目标鱼道内在设定时间间隔内未检测到鱼类信息；关联关系确定模块，用于采用深度卷积神经网络提取所述目标监测影像的特征向量，并根据所述特征向量确定所述目标监测影像中相邻帧之间的关联关系；所述关联关系包括：相似度和运动信息；所述特征向量用于表征所述目标监测影像的检测信息；过鱼数量确定模块，用于根据所述检测信息和所述关联关系，基于设定基准线确定上下行信息，并根据所述上下行信息确定过鱼数量；根据所述检测信息和所述关联关系，基于设定基准线确定上下行信息，并根据所述上下行信息确定过鱼数量，具体包括：采用卡尔曼滤波的方法，根据所述检测信息和所述关联关系，进行状态融合，得到更新状态信息；基于设定基准线，根据所述检测信息确定上下行信息；根据所述上下行信息，采用越线计数的方式确定所述过鱼数量。
7.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1至5中任意一项所述的鱼道过鱼影像处理方法。
8.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的鱼道过鱼影像处理方法。
