1.一种机场跑道智能监控方法，应用于服务器，其特征在于，所述服务器与至少一个核心交换机连接，所述方法包括步骤：将所述核心交换机内存储的机场跑道视频分解为连续的帧图像；

利用全卷积网络模型对帧图像进行特征提取，获得机场跑道特征；

采用基于像素的自适应分割的前景检测算法，检测机场跑道上的运动目标，并对检测到的第一运动目标设置第一跟踪框；

采用高速压缩跟踪算法对第一跟踪框进行跟踪，获得第一运动目标的目标跟踪序列；

将所述第一运动目标的目标跟踪序列输入深度神经网络模型，进行第一运动目标的分类；及当所述第一运动目标属于异常运动目标时，执行警示操作。

2.如权利要求1所述的机场跑道智能监控方法，其特征在于，所述核心交换机连接有多个汇聚交换机，所述多个汇聚交换机与多个摄像机对应连接，所述方法还包括步骤：控制所述多个摄像机对机场跑道进行视频采集，并将采集的机场跑道视频通过连接的所述汇聚交换机发送至核心交换机进行存储。

3.如权利要求2所述的机场跑道智能监控方法，其特征在于，所述采用高速压缩跟踪算法对第一跟踪框进行跟踪，获得第一运动目标的目标跟踪序列的步骤包括：获取检测到第一运动目标时，所述第一运动目标在第t帧图像中的第一位置信息；

在第t+1帧图像中的所述第一位置信息周围采样多个窗口，并将所述多个窗口与多个矩形滤波器进行卷积，得到所述多个窗口的多尺度特征；

采用稀疏测量矩阵对所述窗口的多尺度特征进行降维；及

通过朴素贝叶斯分类器模型对所述多个窗口进行分类，选取分数最大的窗口作为目标窗口进行跟踪，获得第一运动目标的目标跟踪序列。

4.如权利要求3所述的机场跑道智能监控方法，其特征在于，所述在第t+1帧图像中的所述第一位置信息周围采样多个窗口步骤之前还包括步骤：在第t帧图像中，采样获得多个所述第一运动目标的窗口和多个所述机场跑道的窗口，作为样本图像；

将所述样本图像与所述矩形滤波器进行卷积，得到所述样本图像的多尺度特征；

采用所述稀疏测量矩阵对所述样本图像的多尺度特征进行降维；及利用降维后的所述样本图像的多尺度特征，对朴素贝叶斯分类器进行训练，获得所述朴素贝叶斯分类器模型。

5.如权利要求2或4所述的机场跑道智能监控方法，其特征在于，所述方法还包括步骤：采集机场跑道的多个视频序列，并根据每个视频序列包含的内容，对所述采集的多个视频序列进行内容分类；

对各个类别的视频序列进行异常运动目标和正常运动目标的属性分类，获得异常运动目标的视频序列样本集和正常运动目标的视频序列样本集；及利用异常运动目标的视频序列样本集和正常运动目标的视频序列样本集对深度神经网络进行训练，获得深度神经网络模型。

6.如权利要求5所述的机场跑道智能监控方法，其特征在于，所述深度神经网络模型依次包括三个ST-CNN时空卷积层、一个Flatten层、两个Bi-GRU双向门控重复单元层、一个Dense全连接层和一个Softmax分类输出层。

7.如权利要求6所述的机场跑道智能监控方法，其特征在于，所述服务器与语音报警装置连接，所述执行警示操作的步骤包括：采用与所述第一跟踪框颜色不同的框线标示所述第一运动目标，并控制所述语音报警装置报警。

8.如权利要求2所述的机场跑道智能监控方法，其特征在于，所述机场跑道视频至少包括机场跑道的高分辨率影像、强逆光影像、红外影像和夜视影像。

9.一种应用服务器，其特征在于，所述应用服务器与至少一个核心交换机连接，所述应用服务器包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的机场跑道智能监控系统，所述机场跑道智能监控系统被所述处理器执行时实现如权利要求1-8中任一项所述的机场跑道智能监控方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有机场跑道智能监控系统，所述机场跑道智能监控系统可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-8中任一项所述的机场跑道智能监控方法的步骤。