1.基于全卷积神经网络的红外图像温度估计方法，其特征是，包括以下步骤：

获取彩色红外图像，并通过红外图像温度估计模型，预测得到图像大小的初级相对温度矩阵，所述红外图像温度估计模型包括全卷积部分、反卷积部分和Softmax层，全卷积部分用于提取特征，获得热点图，反卷积部分是将全卷积部分获得的热点图上采样得到原尺寸的语义分割结果，Softmax层将反卷积部分的输出结果通过softmax公式计算出每个像素点对应的初级相对温度；所述全卷积部分的每一个卷积层后均连接一个批量归一化层，所述批量归一化层用于对卷积层输出的特征结果进行均值和标准差归一化；

对于初级相对温度矩阵，计算滑动窗口内的温度平均值和标准差；判断该滑动窗口内的每一点的温度值与平均值的差值是否超出标准差，若是，则认定为奇异点，并重置该点的温度值为平均值，否则，该点的温度值不变；移动滑动窗口直到初级相对温度矩阵被全部遍历，得到最终相对温度矩阵；

通过计算最终相对温度矩阵与最大和最小温度值所对应像素间的比例关系，得到红外图像中各像素点的温度。

2.如权利要求1所述的基于全卷积神经网络的红外图像温度估计方法，其特征是，所述红外图像温度估计模型采用包括彩色红外图像及其对应的温度标签的训练集训练；所述温度标签是将原始温度矩阵按照等温度区间划分类别或者按照比例划分类别得到的。

3.如权利要求1所述的基于全卷积神经网络的红外图像温度估计方法，其特征是，所述反卷积部分包括依次连接的Dconv32层、Dconv16层和Dconv8层；所述Dconv32层是将全卷积部分的第六卷积层的输出结果，经过反卷积将32倍下采样的结果反卷积为16倍下采样结果；所述Dconv16层将Dconv32层的输出结果，与全卷积部分的第四池化层的输出结果相加，特征图相加后，经过反卷积将16倍下采样的结果反卷积为8倍下采样结果。

4.如权利要求3所述的基于全卷积神经网络的红外图像温度估计方法，其特征是，所述Dconv8层是将Dconv16层的输出结果，与全卷积部分的第三池化层的输出结果相加，特征图相加后，经过反卷积将8倍下采样的结果反卷积为原始输入图像尺寸。

5.如权利要求3所述的基于全卷积神经网络的红外图像温度估计方法，其特征是，所述Dconv8层后连接Softmax层，Softmax层将Dconv8层的输出结果通过softmax公式计算出每个像素点对应的初级相对温度。

6.基于全卷积神经网络的红外图像温度估计系统，其特征是，包括：

初级相对温度矩阵预测模块，其被配置为：获取彩色红外图像，并通过红外图像温度估计模型，预测得到图像大小的初级相对温度矩阵，所述红外图像温度估计模型包括全卷积部分、反卷积部分和Softmax层，全卷积部分用于提取特征，获得热点图，反卷积部分是将全卷积部分获得的热点图上采样得到原尺寸的语义分割结果，Softmax层将反卷积部分的输出结果通过softmax公式计算出每个像素点对应的初级相对温度；所述全卷积部分的每一个卷积层后均连接一个批量归一化层，所述批量归一化层用于对卷积层输出的特征结果进行均值和标准差归一化；

平滑处理模块，其被配置为：对于初级相对温度矩阵，计算滑动窗口内的温度平均值和标准差；判断该滑动窗口内的每一点的温度值与平均值的差值是否超出标准差，若是，则认定为奇异点，并重置该点的温度值为平均值，否则，该点的温度值不变；移动滑动窗口直到初级相对温度矩阵被全部遍历，得到最终相对温度矩阵；

像素点温度计算模块，其被配置为：通过计算最终相对温度矩阵与最大和最小温度值所对应像素间的比例关系，得到红外图像各像素点的温度。

7.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1‑5中任一项所述的基于全卷积神经网络的红外图像温度估计方法。

8.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求

1‑5中任一项所述的基于全卷积神经网络的红外图像温度估计方法。