1.一种多隧道图像拼接算法，其特征在于，包括步骤：构建单应矩阵训练模型，利用已有图像验证优化所述单应矩阵训练模型；通过图像采集设备采集隧道图像，所述隧道图像经过预处理得到原始图像；将至少两张所述原始图像输入至所述单应矩阵训练模型，取一张所述原始图像作为基准图像，计算相邻的所述原始图像的单应矩阵；利用所述单应矩阵对相邻的所述原始图像进行变换，并和所述基准图像进行拼接，得到拼接图像；对所述拼接图像进行后处理，得到全景图像；所述利用已有图像验证优化所述单应矩阵训练模型，包括步骤：第一步，对于每一张所述已有图像，给定8对固定的图像蒙版，每对所述图像蒙版分别遮盖同一所述已有图像的不同位置，得到8对测试数据子图，每对测试数据子图均包含子图A和子图B；第二步，以子图A为基准，随机生成一个单应矩阵 将子图B进行变换，得到第一处理子图 ；第三步，将所述子图A和所述第一处理子图 送入卷积神经网络中，分别提取特征图；空间金字塔池化层将不同大小的所述特征图映射到相同大小的特征向量；第四步，将关系标签与所述子图A的特征向量、所述第一处理子图 的特征向量进行串联，得到1维向量，并将所述1维向量经过全连接层处理后回归所述单应矩阵，得到回归单应矩阵 ；利用所述回归单应矩阵 构造单应矩阵损失函数 ；第五步，使用所述回归单应矩阵 对所述第一处理子图 进行变换，得到第二处理子图 ；计算所述第二处理子图 与所述子图A重叠区域的残差，并构造图像损失函数 ；利用所述单应矩阵损失函数 和所述图像损失函数 ，构造所述单应矩阵训练模型的总损失函数；第六步，将剩余7对所述测试数据子图依次执行所述第二步至所述第五步，均计算所述总损失函数，使用其中最小的所述总损失函数对应的网络参数作为所述单应矩阵训练模型最终训练的网络参数；所述单应矩阵损失函数 为： ，其中， 为所述回归单应矩阵， 为随机生成的所述单应矩阵；所述图像损失函数 为： ，其中， 分别为所述子图A和子图B的蒙版数据，A、B分别为子图A和子图B加入蒙版后的图像数据， 表示按位与运算；所述总损失函数 为： ，其中， 为权重因子。
2.根据权利要求1所述的多隧道图像拼接算法，其特征在于，所述预处理的方法包括：去除由于所述图像采集设备的镜头结构、光照产生的畸变问题。
3.根据权利要求1所述的多隧道图像拼接算法，其特征在于，对所述拼接图像进行后处理的方法包括：去除所述拼接图像的黑边、平滑过渡区域以及增强对比度。
4.根据权利要求1所述的多隧道图像拼接算法，其特征在于，所述原始图像为灰度图图像，且所述原始图像具有相同的分辨率和尺寸。
5.根据权利要求1所述的多隧道图像拼接算法，其特征在于，所述图像蒙版为二值图，所述图像蒙版根据遮挡的位置不同而分为8类。
6.根据权利要求1所述的多隧道图像拼接算法，其特征在于，所述卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层和第五卷积层，所述卷积神经网络用于提取特征图。
7.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至6任一项所述的多隧道图像拼接算法。
8.一种非易失性计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至6任一项所述的多隧道图像拼接算法。
