1.一种昼夜图像中的船舶检测和识别方法，其特征在于，包括如下步骤：S1、利用光感元件探测不同时段船舶图像的照度，根据船舶图像的不同照度范围将其分成白天图像和夜间图像两类；

S2、针对白天图像，首先对所有出现在探测范围内的物体进行检测，然后从中筛选出船舶类物体；

S3、针对夜间图像，首先检测夜间图像中的显著目标，从中筛选出船舶类物体；

S4、基于筛选出的船舶类物体，获取当前视频帧中的所有船舶的实时位置和所属类别信息。

2.根据权利要求1所述的昼夜图像中的船舶检测和识别方法，其特征在于，步骤S1具体包括：S11、采集大量不同时段场景图片，统计分析出各时段的图像照度范围，形成照度范围参考对照表；

S12、通过光感元件探测摄像头传来的船舶图像的照度，对比所述照度范围参考对照表判断船舶图像的类别是白天图像还是夜间图像。

3.根据权利要求1所述的昼夜图像中的船舶检测和识别方法，其特征在于，步骤S2中，使用基于深度卷积神经网络的目标检测算法Faster R-CNN处理白天图像，其网络结构包括RPN和Fast R-CNN两个部分，其中RPN用于预测输入图像中可能包含目标的候选区域，输出可能包含船舶目标的建议框；Fast R-CNN用于分类所述候选区域，并修正候选区域的边界框。

4.根据权利要求3所述的昼夜图像中的船舶检测和识别方法，其特征在于，所述的基于深度卷积神经网络的目标检测算法Faster R-CNN的训练步骤如下：

1)用预训练网络模型初始化RPN网络参数，通过随机梯度下降算法和反向传播算法微调RPN网络参数；

2)用预训练网络模型初始化Faster R-CNN目标检测网络参数，并用第一步中的RPN网络提取候选区域，训练目标检测网络；

3)用第二步中的目标检测网络重新初始化并微调RPN网络参数；

4)用第三步中的RPN网络提取候选区域并对目标检测网络参数进行微调；

5)重复第三步和第四步，直到达到最大迭代次数或网络收敛。

5.根据权利要求3所述的昼夜图像中的船舶检测和识别方法，其特征在于，步骤S2具体包括：S21、计算待检测白天图像的卷积特征图；

S22、采用RPN对所述卷积特征图进行处理，得到目标建议框；

S23、利用RoIPooling对每个建议框提取特征；

S24、利用提取的特征进行分类。

6.根据权利要求1所述的昼夜图像中的船舶检测和识别方法，其特征在于，步骤S3中，使用基于区域协方差引导的卷积神经网络算法处理夜间图像。

7.根据权利要求6所述的昼夜图像中的船舶检测和识别方法，其特征在于，步骤S3具体包括：S31、以像素为单元提取夜间图像的低级特征；

S32、以多维特征向量为基础构造区域协方差；

S33、以协方差矩阵为训练样本构造卷积神经网络模型；

S34、基于局部和全局对比度原则计算图像显著性；

S35、框出显著的船舶目标，获取船舶位置。

8.根据权利要求5或7所述的昼夜图像中的船舶检测和识别方法，其特征在于，还包括：S5、使用AUC和MAE评价指标评判图像检测结果；AUC和MAE计算公式分别如下：其中rankinsi代表第i条样本的序号，其表示概率得分从小到大排，排在第rank个位置，M、N分别是正样本的个数和负样本的个数， 表示只把正样本的序号加起来；

其中 表示显著图谱， 表示基准图谱，W和H分别表示图像的像素值宽和高。