1.一种基于计算机视觉的图像识别方法，其特征在于，包括以下步骤：步骤S1、在目标区域设置计算机主视觉和多组计算机副视觉，并基于计算机主视觉和计算机副视觉获取目标区域的主监测视频帧和多组副监测视频帧；

步骤S2、在主监测视频帧和多组副监测视频帧中分别利用YOLO V3模型检测出表征监测目标的主图像及主图像的位置坐标和表征监测目标的多个副图像及副图像的位置坐标；

步骤S3、基于主图像的像素信息熵和多个副图像的像素信息熵设定融合权重，并基于融合权重对主图像和副图像按位置坐标进行权重融合得到表征监测目标的最优图像；

步骤S4、对最优图像利用SSD模型进行监测目标的图像识别得到监测目标的类别属性，并判定出目标区域内监测目标的合法性，以实现驱逐非法监测目标来保障目标区域的安全性。

2.根据权利要求1所述的一种基于计算机视觉的图像识别方法，其特征在于：在目标区域设置计算机主视觉和多组计算机副视觉，包括：利用最小二乘法对目标区域进行全局中心点提取，并在提取出的全局中心点处设置全景摄像头作为计算机主视觉；

将目标区域的总面积与局部摄像头的视野面积的比值设置为目标区域的划分个数，并以全局中心点为划分定圆心按所述划分个数对所述目标区域进行等面积扇面划分得到多组局部区域；

利用最小二乘法依次对每个局部区域进行局部中心点提取，并在提取出的局部中心点处设置局部摄像头作为计算机副视觉；

所述利用最小二乘法对目标区域进行全局中心点提取，包括：获得目标区域的边界离散点的位置坐标 ，设置目标区域的全局中心点的位置坐标为 ，依次计算边界离散点的位置坐标 与全局中心点的位置坐标为间的距离 ；

对边界离散点的位置坐标 与全局中心点的位置坐标为 间的距离 进行求和处理得到全局中心点坐标求解的目标函数 ，并构建全局中心点的位置坐标为 的求解约束条件，所述约束条件为：

；

依据所述约束条件求解目标函数 确定出全局中心点的位置坐标为；

式中， 分别表征为全局中心点位置的横纵坐标， 分别表征为第i个边界离散点位置的横纵坐标， 表征为所有边界离散点的位置坐标 与全局中心点的位置坐标为 间的距离之和， 表征为第i个边界离散点的位置坐标 与全局中心点的位置坐标为 间的距离， 分别表征为n个边界离散点位置的横坐标最小值和最大值， 分别表征为n个边界离散点位置的纵坐标最小值和最大值， ，i为计量常数，n为边界离散点的总数目；

利用最小二乘法对局部区域进行全局中心点提取，包括：依次获得每个局部区域的边界离散点的位置坐标 ，设置局部区域的局部中心点的位置坐标为 ，依次计算边界离散点的位置坐标 与局部中心点的位置坐标为 间的距离 ；

对边界离散点的位置坐标 与局部中心点的位置坐标为 间的距离进行求和处理得到局部中心点坐标求解的局部函数 ，并构建局部中心点的位置坐标为 的求解约束条件，所述约束条件为：；

依据所述约束条件求解局部函数 确定出局部中心点的位置坐标为；

式中， 分别表征为第k个局部区域中局部中心点位置的横纵坐标，分别表征为第k个局部区域中第j个边界离散点位置的横纵坐标， 表征为第k个局部区域中所有边界离散点的位置坐标 与局部中心点的位置坐标为 间的距离之和， 表征为第i个边界离散点的位置坐标 与局部中心点的位置坐标为间的距离， 分别表征为第k个局部区域中 个边界离

散点位置的横坐标最小值和最大值， 分别表征为第 个局部区域中 个边界离散点位置的纵坐标最小值和最大值， ，j为计量常数， 为第个局部区域中边界离散点的总数目。

3.根据权利要求2所述的一种基于计算机视觉的图像识别方法，其特征在于：基于计算机主视觉和计算机副视觉获取局部区域的主监测视频帧和多组副监测视频帧，包括：将位于计算机主视觉处全景摄像头拍摄的实时视频帧作为主监测视频帧，并将位于多组计算机副视觉处局部摄像头拍摄的实时视频帧作为多组副监测视频帧；

所述主监测视频帧和副监测视频帧具有相同的实时拍摄时序。

4.根据权利要求3所述的一种基于计算机视觉的图像识别方法，其特征在于：在主监测视频帧和多组副监测视频帧中分别利用YOLO V3模型检测出表征监测目标的主图像的位置坐标和多个表征监测目标的副图像的位置坐标，包括：设置预设时间长度，将在预设时间长度内做预设目标的监测模拟获得的主模拟监测视频帧和副模拟监测视频帧作为训练视频帧样本，并将训练视频帧样本中表征预设目标的主图像和副图像的位置坐标作为YOLO V3模型的输出项，以及主模拟监测视频帧和副模拟监测视频帧作为YOLO V3模型的输入项，基于所述输出项和输入项对YOLO V3模型进行模型训练得到目标坐标检测模型；

利用所述目标坐标检测模型基于主监测视频帧和副监测视频帧进行识别得到表征监测目标的主图像及主图像的位置坐标和表征监测目标的多个副图像及副图像的位置坐标。

5.根据权利要求4所述的一种基于计算机视觉的图像识别方法，其特征在于：基于主图像的像素信息熵和多个副图像的像素信息熵设定融合权重，包括：依据所述主图像的位置坐标获取构成主图像的像素，并计算主图像灰度直方图的像素信息熵，所述主图像的像素信息熵的计算公式为：；

式中， 表征为主图像的像素信息熵， 表征为灰度L在主图像的像素中出现的概率；

依据所述副图像的位置坐标获取构成副图像的像素，计算副图像的像素信息熵，所述副图像的像素信息熵的计算公式为：式中， 表征为第k个局部区域中副图像的像素信息熵， 表征为灰度L在第k个局部区域中副图像的像素中出现的概率；

对所述主图像的像素信息熵和副图像的像素信息熵进行归一化处理分别得到所述主图像的融合权重和副图像的融合权重，所述主图像的融合权重的计算公式为：；

所述副图像的权重公式为：

；

式中， 表征为主图像的融合权重， 表征为第k个局部区域中副图像的融合权重。

6.根据权利要求5所述的一种基于计算机视觉的图像识别方法，其特征在于：基于融合权重对主图像和副图像按位置坐标进行权重融合得到表征监测目标的最优图像，包括：在主图像和副图像中提取出位置坐标相同的主图像像素和副图像像素，并将主图像像素和副图像像素利用主图像的融合权重和副图像的融合权重进行加权融合得到融合像素，再将融合像素替换主图像中的所述主图像像素得到表征检测目标的最优图像，所述融合像素的融合表达式为：；

式中， 表征为融合像素， 表征为主图像像素， 表征为第k个局部区域中副图像像素。

7.根据权利要求6所述的一种基于计算机视觉的图像识别方法，其特征在于，对最优图像利用SSD模型进行监测目标的图像识别得到监测目标的类别属性，包括：将在预设时间长度内做预设目标的监测模拟获得的主模拟监测视频帧和副模拟监测视频帧，并将主模拟监测视频帧和副模拟监测视频帧中预设目标的属性类别作为SSD模型的输出项，以及主模拟监测视频帧和副模拟监测视频帧作为SSD模型的输入项，基于所述输出项和输入项对SSD模型进行模型训练得到目标类别识别模型；

将最优图像输入至目标类别识别模型中得到监测目标的类别属性。

8.根据权利要求7所述的一种基于计算机视觉的图像识别方法，其特征在于，判定出目标区域内监测目标的合法性，包括：设置监测目标的类别属性非法列表，将监测目标的类别属性与所述类别属性非法列表进行匹配判定监测目标的合法性，其中，若监测目标的类别属性在所述类别属性非法列表中，则所述监测目标属于非法侵入目标区域；

若监测目标的类别属性不在所述类别属性非法列表中，则所述监测目标属于合法进入目标区域。

9.根据权利要求8所述的一种基于计算机视觉的图像识别方法，其特征在于，在确定监测目标属于非法侵入目标区域后，将监测目标的位置坐标反馈至监测人员进行驱逐所述监测目标。

10.一种根据权利要求1‑9任一项所述的基于计算机视觉的图像识别方法的识别系统，其特征在于，包括：视觉设置模块，用于在目标区域设置计算机主视觉和多组计算机副视觉，并基于计算机主视觉和计算机副视觉获取目标区域的主监测视频帧和多组副监测视频帧；

图像处理模块，用于在主监测视频帧和多组副监测视频帧中分别利用YOLO V3模型检测出表征监测目标的主图像的位置坐标和多个表征监测目标的副图像的位置坐标，基于主图像的像素信息熵和多个副图像的像素信息熵设定融合权重，并基于融合权重对主图像和副图像按位置坐标进行权重融合得到表征监测目标的最优图像；

图像识别模块，用于对最优图像利用SSD模型进行监测目标的图像识别得到监测目标的类别属性，并判定出目标区域内监测目标的合法性，以实现驱逐非法监测目标来保障目标区域的安全性。