1.一种双目立体视觉的羽毛球定位识别与姿态计算方法，其特征在于，包括如下步骤：S1）：采集羽毛球的不同姿态的图像作为样本数据集；

S2）：构建基于Faster‑RCNN算法的深度神经网络，所述Faster‑RCNN算法包括候选框提取模块和检测模块；

S3）：基于样本数据集对所述所述深度神经网络进行训练，得到Faster‑RCNN的训练模型，所述Faster‑RCNN训练模型包括卷积层、区域生成网络、兴趣区域池化层和分类器，所述卷积层提取图像的特征映射，所述区域生成网络生成候选区域，所述兴趣区域池化层收集输入的特征映射和候选集，提取候选特征映射，所述分类器，利用候选特征映射计算候选集的类别，同时再次边框回归获得识别目标的精确位置；

S4）：利用Faster‑RCNN训练模型识别羽毛球并确定羽毛球在图像中的位置；

S5）：利用双目立体视觉对识别出的羽毛球进行三维重建，确定羽毛球的空间位置；

S6）：采用Canny算子对步骤S5）中的羽毛球图像进行二值化、滤波处理，提取清晰边缘，计算羽毛球实时姿态角。

2.根据权利要求1所述的双目立体视觉的羽毛球定位识别与姿态计算方法，其特征在于：步骤S5）中，所述双目立体视觉对羽毛球进行三维重建包括如下步骤：P1）：将世界坐标系进行旋转与平移得到双目相机坐标系坐标；

P2）：根据三角化变换计算羽毛球图像对应的物理坐标；

P3）：基于物理尺寸与像素单位的映射关系，利用最小二乘法获取羽毛球在图像中的像素坐标。

3.根据权利要求1所述的双目立体视觉的羽毛球定位识别与姿态计算方法，其特征在于：步骤S6)中姿态角的计算方法包括如下步骤:T1）：从提取的羽毛球边缘上任取三个点，构建标记圆；

T2）：从所述标记圆上任取三个不同的点构成三个不同的空间向量；

T3）：任取两个空间向量进行叉乘，得到标记圆的法向量；

T4）：计算法向量在水平面的投影与水平轴的夹角，即为羽毛球的姿态角。