1.基于空洞卷积和多尺度多分支的图像语义分割方法，其特征是，包括：通过摄像头获取待处理图像；对待处理图像进行预处理；

对预处理图像分别进行并行两个分支的特征提取，其中第一个分支提取出第一特征；

第二个分支提取出第二特征；

对第一特征和第二特征均进行不同尺度的全局上下文特征提取，分别得到四个尺度的全局上下文特征；

对八个尺度的全局上下文特征进行融合，得到融合特征；对融合特征进行上采样操作；

将上采样后的融合特征输入到训练后的分类器中，输出图像语义分割结果。

2.如权利要求1所述的基于空洞卷积和多尺度多分支的图像语义分割方法，其特征是，对待处理图像进行预处理；具体步骤包括：降噪处理和舍弃非关键帧处理。

3.如权利要求2所述的基于空洞卷积和多尺度多分支的图像语义分割方法，其特征是，所述非关键帧，判断步骤包括：对待处理图像的所有帧进行聚类处理，将距离簇中心超过设定距离的帧视为非关键帧。

4.如权利要求1所述的基于空洞卷积和多尺度多分支的图像语义分割方法，其特征是，第一个分支提取出第一特征；具体包括：使用改进的VGG16网络，对待处理图像提取出第一特征；

所述改进的VGG16网络，为对VGG16网络只保留前10个卷积层，删除后六个卷积层、全连接层和softmax分类器。

5.如权利要求1所述的基于空洞卷积和多尺度多分支的图像语义分割方法，其特征是，所述第二个分支提取出第二特征；具体包括：使用ResNet50提取出第二特征。

6.如权利要求1所述的基于空洞卷积和多尺度多分支的图像语义分割方法，其特征是，对第一特征和第二特征均进行不同尺度的全局上下文特征提取，分别得到四个尺度的全局上下文特征；具体包括：

对第一特征，采用1*1的卷积层进行全局上下文特征提取，得到第一尺度的全局上下文特征；

对第一特征，采用空洞率为6的3*3空洞卷积层进行全局上下文特征提取，得到第二尺度的全局上下文特征；

对第一特征，采用空洞率为12的3*3空洞卷积层进行全局上下文特征提取，得到第三尺度的全局上下文特征；

对第一特征，采用空洞率为18的3*3空洞卷积层进行全局上下文特征提取，得到第四尺度的全局上下文特征；

对第二特征，采用1*1的卷积层进行全局上下文特征提取，得到第五尺度的全局上下文特征；

对第二特征，采用空洞率为6的3*3空洞卷积层进行全局上下文特征提取，得到第六尺度的全局上下文特征；

对第二特征，采用空洞率为12的3*3空洞卷积层进行全局上下文特征提取，得到第七尺度的全局上下文特征；

对第二特征，采用空洞率为18的3*3空洞卷积层进行全局上下文特征提取，得到第八尺度的全局上下文特征；

和/或，

对八个尺度的全局上下文特征进行融合，得到融合特征；对融合特征进行上采样操作；

具体包括：

对八个尺度的全局上下文特征进行逐像素相加，得到融合后的特征图；对融合后的特征图进行上采样操作，还原至原图像大小。

7.如权利要求1所述的基于空洞卷积和多尺度多分支的图像语义分割方法，其特征是，将上采样后的融合特征输入到训练后的分类器中，输出图像语义分割结果；其中，训练后的分类器的训练步骤包括：

采用支持向量机作为分类器；

构建训练集，所述训练集为已知图像语义分割结果的图像；

将训练集输入到支持向量机中，训练次数达到迭代次数后，停止训练，得到训练好的分类器。

8.基于空洞卷积和多尺度多分支的图像语义分割系统，其特征是，包括：预处理模块，其被配置为：通过摄像头获取待处理图像；对待处理图像进行预处理；

基础特征提取模块，其被配置为：对预处理图像分别进行并行两个分支的特征提取，其中第一个分支提取出第一特征；第二个分支提取出第二特征；

全局上下文特征提取模块，其被配置为：对第一特征和第二特征均进行不同尺度的全局上下文特征提取，分别得到四个尺度的全局上下文特征；

特征融合模块，其被配置为：对八个尺度的全局上下文特征进行融合，得到融合特征；

对融合特征进行上采样操作；

语义分割模块，其被配置为：将上采样后的融合特征输入到训练后的分类器中，输出图像语义分割结果。

9.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1‑7任一项所述的方法。

10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1‑7任一项所述的方法。