1.一种基于无人机的油气管道巡检方法，其特征在于，所述方法包括如下步骤：

S1、无人机搭载高分辨率成像系统以及高精度定位装置进行低空航拍，获取连续的油气管道图像以及无人机的位置信息；

S2、采用基于神经网络的目标检测算法进行异常目标检测，具体包括：对无人机采集到的图像提取尺度不变特征转换特征描述子并利用支持向量机算法进行聚类；使用图割算法对图像进行分割，并将分割后的图像进行融合和滤波；采用卷积神经网络对目标进行分类得到异常目标；

其中，使用图割算法对图像进行分割，具体包括：对于每一类特征点，首先将其连成一个区域并从中随机选取M个点作为目标点，然后构建一个包含这个区域的矩形来进行分割，矩形的中心即为这个区域的中心，矩形的面积为这个区域的面积的N倍，M、N为预设值；对矩形中的每一个像素进行标注，得到整个矩形区域的标签集合L＝{l1,l2,…,lp}；构建能量函数E(L)＝a·R(L)+B(L)，其中a用以控制函数R(L)和B(L)在能量函数中占的权重，能量函数之中R(L)为区域项，B(L)为边界项；构建上述能量函数之后，利用最小割算法找到最小割即得到最终的分割结果；对每一类的特征点都进行分割处理，得到所有分割出来的目标；

将分割后的图像进行融合和滤波，具体包括：将分割出来的面积超过设定阈值的目标去除，并且如果两个目标之间距离小于设定阈值，并且其在结构上差异小于设定阈值，灰度上的差异小于设定阈值，那么他们将被融合成一个目标，其中结构上的相似性用结构相似性描述，灰度上的相似性用灰度直方图表描述；

S3、采用基于运动恢复结构的算法进行异常目标定位，具体包括：利用图像重叠率以及位置信息进行待重建图像选择；采用运动恢复结构算法对待重建图像进行稀疏三维重建；

将重建后的稀疏点云变换到真实地理坐标系；计算异常目标的图像坐标和真实地理坐标间的相似变换矩阵，从而将图像上的异常目标变换到真实的地理坐标系下；

其中，利用图像重叠率以及位置信息进行待重建图像选择，具体包括：对于异常目标存在的图像，从其他图像中选择几张与其邻近的图像，具体选择主要参考两个指标：一是无人机的位置信息，即被选择的图像与异常目标存在的图像所对应的拍摄相机间的距离应当小于一个预设的阈值γ，另一个是图像重叠率，这个指标通过尺度不变特征转换匹配点数进行描述，即如果相匹配的特征点占检测出来的所有的特征点的比例大于一个预设的阈值ε，那么这张图像将被选取。

2.如权利要求1所述的基于无人机的油气管道巡检方法，其特征在于，所述步骤S2中利用支持向量机算法进行聚类，具体包括：将图像进行分块，计算块内特征点的数量占总像素点数量的比例，如果这个比例小于一个预设阈值α，那么清除块内所有的特征点；

再利用支持向量机算法对特征点进行分类，如果一个类内的特征点数量小于一个预设阈值β，那么清除这个类内所有的特征点。

3.如权利要求1所述的基于无人机的油气管道巡检方法，其特征在于：

所述区域项R(L)表示为 其中Rp(lp)为像素p分配标签lp的惩罚，具体

通过计算像素p的灰度在目标区域的灰度直方图中所占的比例得到，其中目标区域的灰度直方图由前面随机选取出的M个像素点计算得出；

所述边界项表示为 其中：

p与q为邻近的像素，B反应了这两个像素的灰度差异，Ip和Iq为这两个像素的灰度值。

4.如权利要求1或2所述的基于无人机的油气管道巡检方法，其特征在于，所述步骤S2中采用卷积神经网络对目标进行分类得到异常目标，具体包括：采用卷积神经网络对分割出来的目标进行分类，其中网络包含8层卷积层、8层池化层以及5层全连接层，将最后全连接层的输出结果通过支持向量机算法进行分类之后得到目标的类别。

5.如权利要求1或2所述的基于无人机的油气管道巡检方法，其特征在于，所述步骤S3中采用运动恢复结构算法对待重建图像进行稀疏三维重建，具体包括：首先读取图像的可交换图像文件格式信息，然后利用尺度不变特征转换算法进行特征匹配，之后对一个图像匹配对进行初始化，即利用八点法计算出本征矩阵，然后通过支持向量机分解得到这两个图像之间的变换关系，接着逐渐加入新的图像，每加入一张图像就根据二维特征点和三维点的匹配关系，通过EPnP算法求解出新的图像的相机位姿，直到将所有的图像都加入进来，最后利用光束法平差进行整体的优化。

6.如权利要求1或2所述的基于无人机的油气管道巡检方法，其特征在于，所述步骤S3中将重建后的稀疏点云变换到真实地理坐标系，具体包括：采用最小二乘法计算当前重建的坐标系和真实地理坐标系间的相似变换，并将这个相似变换应用于重建出来的所有三维点，从而得到真实地理坐标系下的三维点云。