1.一种基于二维自适应阈值小波的地铁塞拉门数据压缩方法，其特征在于，包括以下步骤：S1、采集地铁塞拉门开关门数据，对其进行预处理，得到二维灰度矩阵；

S2、对二维灰度矩阵进行多尺度分解，得到各层分解系数和各层分解系数长度；

S3、对二维灰度矩阵进行获取压缩过程中的默认阈值处理，得到默认阈值；

S4、根据各层分解系数、各层分解系数长度和默认阈值，对二维灰度矩阵进行二维小波压缩重构，得到小波系数和重构压缩信号；

S5、对小波系数进行保存，获取保存文件的大小，根据保存文件的大小，计算压缩率；

S6、计算重构压缩信号的信噪比；

S7、判断压缩率和信噪比是否均达到各自的预设阈值，若是，则将小波系数作为地铁塞拉门压缩数据，结束压缩流程，若否，则调整默认阈值的大小，并跳转至步骤S4。

2.根据权利要求1所述的基于二维自适应阈值小波的地铁塞拉门数据压缩方法，其特征在于，所述步骤S1包括以下步骤：S11、采集地铁塞拉门开关门数据，构成二维数据矩阵；

S12、对二维数据矩阵的每一行取平均值，得到列矩阵；

S13、根据列矩阵的元素，绘制列矩阵幅度曲线，并采用多条平行线对列矩阵幅度曲线进行分割，得到分块数据和分块位置；

S14、根据分块数据和分块位置构建分块矩阵，并对分块矩阵进行归一化处理，得到二维灰度矩阵。

3.根据权利要求2所述的基于二维自适应阈值小波的地铁塞拉门数据压缩方法，其特征在于，所述步骤S12中列矩阵为：其中，m为采样周期，n为每个采样周期中的采样点个数，a1，1至am，n为m×n个采样点的地铁塞拉门开关门数据，Am×n为二维数据矩阵，Bm为列矩阵，i为采样周期中的第i个采样点，b1至bm为列矩阵的元素。

4.根据权利要求3所述的基于二维自适应阈值小波的地铁塞拉门数据压缩方法，其特征在于，所述步骤S13包括以下步骤：S131、以采样点为横坐标并作为x轴，以b1至bm为纵坐标并作为y轴，绘制列矩阵幅度曲线；

S132、以多条平行于x轴的平行线对列矩阵幅度曲线进行截取，得到划分的多段曲线和平行线与列矩阵幅度曲线相交的交点；

S133、将每一段曲线对应的列矩阵的元素归为一个分块；

S134、将平行线与列矩阵幅度曲线相交的交点对应的横坐标作为分块的位置。

5.根据权利要求2所述的基于二维自适应阈值小波的地铁塞拉门数据压缩方法，其特征在于，所述步骤S14中对分块矩阵进行归一化处理的具体公式为：Dm×L＝(Cm×L-min(Cm×L))/(max(Cm×L)-min(Cm×L))其中，Cm×L为分块矩阵，m为采样周期，L为分段曲线的数量， 为第一段分段曲线对应的列矩阵的元素构成的矩阵， 为第二段分段曲线对应的列矩阵的元素构成的矩阵， 为第L段分段曲线对应的列矩阵的元素构成的矩阵，l1为第一段分段曲线对应的位置，l2为第二段分段曲线对应的位置，lL为第L段分段曲线对应的位置(最好用统计学方式表示)，Dm×L为二维灰度矩阵。

6.根据权利要求1所述的基于二维自适应阈值小波的地铁塞拉门数据压缩方法，其特征在于，所述步骤S5中计算压缩率的公式为：其中，CR为压缩率，Nin保存二维灰度矩阵文件的大小，Nout为保存小波系数文件的大小。

7.根据权利要求1所述的基于二维自适应阈值小波的地铁塞拉门数据压缩方法，其特征在于，所述步骤S6中计算信噪比的公式为：其中，NR为信噪比，m为采样周期，n为每个采样周期中的采样点个数，A(j)为二维数据矩阵Am×n中的第j个元素，N(j)为重构压缩信号的第j个数据。