1.一种基于深度学习和帧差法的水表读数识别方法，其特征在于，步骤为：步骤1：采集大量水表图片；步骤2：对每张水表图片进行预处理，构建水表训练集；步骤3：对水表训练集中水表字符区域位置进行定位；步骤4：对定位后的水表训练集进行字符分割；步骤5：用AlexNet模型提取分割后水表训练集的水表字符特征；步骤6：将水表字符特征送入到全连接网络进行训练，得到训练模型；步骤7：将新采集的水表图像送入到训练模型中进行识别，得到识别结果；步骤8：将识别结果正确的水表原图以及标签进行保存，加入到训练集中再次训练模型。2.如权利要求1所述的一种基于深度学习和帧差法的水表读数识别方法，其特征在于，所述步骤1的过程为：固定水表与摄像头的距离，距离为5cm，通过改变水表的读数，获取到大量的水表图片，对所述水表图片分类做标签作为水表训练集。3.如权利要求1所述的一种基于深度学习和帧差法的水表读数识别方法，其特征在于，所述步骤2的过程为：步骤2.1，对水表图片进行二值化；步骤2.2，对二值化后的水表图片进行隔N点采样，剔除无用像素，得到水表训练集；其中设原图的大小为W*H，宽度和长度的缩小因子分别为K1和K2，则采样间隔为：W/K1,W/K2；在原图的水平方向每隔W/K1，在垂直方向每隔W/K2取一个像素。4.如权利要求1所述的一种基于深度学习和帧差法的水表读数识别方法，其特征在于，所述步骤3的过程为：将字符“M”设置为搜索模板T对水表字符区域进行定位，T通过遍历整幅被搜索图S的像素点，模板覆盖被搜索图的那块区域叫子图Sij；其中i,j为子图左上角在被搜索图S上的坐标，则搜索范围是：其中模板T的大小为m×n个像素，搜索图S的大小为W×H个像素通过比较T和Sij的相似性，完成模板匹配过程；若匹配成功，通过i,j点坐标定位出水表的字符区域，并对定位的水表字符区域进行裁剪，只保留水表读数信息。5.如权利要求1所述的一种基于深度学习和帧差法的水表读数识别方法，其特征在于，所述步骤4的过程为：对定位后的图像进行开运算之后采用8邻域方式连接的连通域进行标记，通过计算定位后水表图片的坐标信息，将5个连在一起的水表字符分割成单一的字符。6.如权利要求1所述的一种基于深度学习和帧差法的水表读数识别方法，其特征在于，所述步骤5包括：步骤5.1，在Tensorflow框架下利用Keras来搭建AlexNet模型，将输入图像的尺寸改为32*32*3以适应水表训练集，并将原始的AlexNet模型中的11*11、7*7、5*5等大尺寸卷积核均替换成3*3的小卷积核；步骤5 .2，对分割后的水表训练集做两次卷积，第一次是96个3*3的卷积核，第二次是256个3*3的卷积核，不进行全零填充，为了解决梯度消失的问题，进行批标准化操作，激活函数为Relu进行最大池化，池化核尺寸为3*3，步长为2：

f(x)是Relu取最大值的函数；为了提高模型的泛化能力，在第二次做卷积时，采用局部归一化响应：