1.一种道路识别方法，其特征在于，所述方法包括：

获取待识别的遥感图像；

计算所述遥感图像在YUV颜色空间的图像金字塔，包括：若所述遥感图像是YUV图像，则计算所述图像金字塔；若所述遥感图像不是YUV图像，则根据预设的公式将所述遥感图像转换为YUV图像，根据所述YUV图像计算所述图像金字塔；

对于所述图像金字塔的每层图像，计算每个颜色通道上各个像素点的梯度特征，得到所述图像金字塔的每层图像的梯度特征，包括：对于图像金字塔中的每层图像，计算每个颜色通道上各个像素点在x方向的梯度、在y方向的梯度以及梯度幅值，以所述每个颜色通道上各个像素点在x方向的梯度、在y方向的梯度以及梯度幅值作为所述图像的梯度特征；

将所述图像金字塔的每层图像的梯度特征作为改进U‑Net模型每层网络的输入，得到所述遥感图像的第一概率分布图，其中所述改进U‑Net模型的每层网络包括一个1x1的卷积作为预测模块，其中，所述改进U‑Net模型包括多层网络；

根据所述第一概率分布图中各个像素点的道路概率得到所述遥感图像中的所有道路。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

检测所述所有道路中是否存在碎片化的道路，若所述所有道路中存在碎片化的道路，则在所述所有道路中将所述碎片化的道路变为连贯的道路。

3.如权利要求1所述的方法，其特征在于，所述方法还包括：

检测所述所有道路中是否存在与其他道路断开的目标道路，若所述所有道路中存在与其他道路断开的所述目标道路，从所述所有道路中去除所述目标道路；其中，所述其他道路为所述所有道路中去除所述目标道路以外的道路。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：

对所述所有道路进行边缘平滑处理。

5.如权利要求1所述的方法，其特征在于，在所述将所述图像金字塔的每层图像的梯度特征作为改进U‑Net模型每层网络的输入，得到所述遥感图像的第一概率分布图之后，所述方法还包括：利用预设图像分割模型对所述遥感图像进行识别，得到第二概率分布图；

根据所述第一概率分布图与所述第二概率分布图对每个像素的道路概率进行合并，得到目标概率分布图；

根据所述目标概率分布图中各个像素点的道路概率得到所述所有道路。

6.如权利要求1所述的方法，其特征在于，所述改进U‑Net模型训练时使用交叉熵作为损失函数，将所述改进U‑Net模型的每层网络的损失加权相加，分辨率越低的图像所在层的权重越低，分辨率越高的图像所在层的权重越高。

7.一种道路识别装置，其特征在于，所述装置包括：

获取单元，用于获取待识别的遥感图像；

第一计算单元，用于计算所述遥感图像在YUV颜色空间的图像金字塔，包括：若所述遥感图像是YUV图像，则计算所述图像金字塔；若所述遥感图像不是YUV图像，则根据预设的公式将所述遥感图像转换为YUV图像，根据所述YUV图像计算所述图像金字塔；

第二计算单元，用于对于所述图像金字塔的每层图像，计算每个颜色通道上各个像素点的梯度特征，得到所述图像金字塔的每层图像的梯度特征，包括：对于图像金字塔中的每层图像，计算每个颜色通道上各个像素点在x方向的梯度、在y方向的梯度以及梯度幅值，以所述每个颜色通道上各个像素点在x方向的梯度、在y方向的梯度以及梯度幅值作为所述图像的梯度特征；

第一识别单元，用于将所述图像金字塔的每层图像的梯度特征作为改进U‑Net模型每层网络的输入，得到所述遥感图像的第一概率分布图，其中所述改进U‑Net模型的每层网络包括一个1x1的卷积作为预测模块，其中，所述改进U‑Net模型包括多层网络；

输出单元，用于根据所述第一概率分布图中各个像素点的道路概率得到所述遥感图像中的所有道路。

8.一种计算机装置，其特征在于：所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1‑6中任一项所述道路识别方法。

9.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1‑6中任一项所述道路识别方法。