1.一种基于自适应图像增强的弱光照环境下目标识别方法，其特征在于，包括以下步骤：

S1：搭建自适应图像增强模块；

S2：搭建基于自适应图像增强的弱光照环境下目标识别模型；

S3：采集弱光照环境下的目标视频并处理生成弱光照环境下目标的数据集，根据比例划分测试集图像与训练集图像，对训练图像进行标注，生成标签文件；

S4：将训练集的全部图像和标签文件送入基于自适应图像增强的弱光照环境下目标识别模型进行训练；

S5：将训练好的基于自适应图像增强的弱光照环境下目标识别模型完成弱光照环境下的目标识别，并输出识别结果。

2.根据权利要求1所述的一种基于自适应图像增强的弱光照环境下目标识别方法，其特征在于，所述步骤S1中自适应图像增强模块的搭建方法为：A1：将图像的RGB模型转为HIS模型，R,G,B参数转换为H,I,S参数具体公式如下：其中，R为图像的红色通道，G为图像的绿色通道，B为图像的蓝色通道，H为图像的色调，I为图像的亮度，S为图像的色饱和度，θ为转换角度，min为求最小值；

A2：设置图像亮度变换函数，具体函数公式如下所示：γ

y＝αI     (5)

γ＝‑log3I           (6)其中，α是修正系数，I为图像的亮度，γ是图像亮度控制系数，y是最终输出图像的亮度；

A3：计算修正系数α，具体计算公式如下：γ γ γ

λ＝S +(1‑S )×H      (8)其中，α是修正系数，λ是色度调节系数，H为图像的色调，γ是图像亮度控制系数，S为图像的色饱和度，ε是阶跃函数。

3.根据权利要求1所述的一种基于自适应图像增强的弱光照环境下目标识别方法，其特征在于，所述步骤S2中基于自适应图像增强的弱光照环境下目标识别模型的搭建方法为：

B1：网络的输入图像先经过自适应图像增强模块进行预处理；

B2：然后经过由卷积层和最大池化层构成的主干网络，每个卷积层和最大池化层构成一个卷积块；

B3：将步骤B2中的第三个卷积块的输出特征图与第四个卷积块的输出特征图直接进行拼接，然后送入卷积层，然后经过全连接层，全连接层有N1的神经元，对应N1个目标类别。

4.根据权利要求1所述的一种基于自适应图像增强的弱光照环境下目标识别方法，其特征在于，所述步骤S3中数据集的生成方式为：将采集的视频进行逐帧截取，并且将截取的图像使用双线性插值法得到指定尺寸的图像，生成弱光照环境下目标的数据集。

5.根据权利要求1所述的一种基于自适应图像增强的弱光照环境下目标识别方法，其特征在于，所述步骤S4中采用优化IoU的损失函数对基于自适应图像增强的弱光照环境下目标识别模型进行训练。

6.根据权利要求5所述的一种基于自适应图像增强的弱光照环境下目标识别方法，其特征在于，所述优化IoU的损失函数构建方式如下：其中，S1表示预测边界框的面积，S2表示真实边界框的面积；

Ltotal＝Lcls+1‑NIoU+α        (12)其中，S3是包围S1和S2的面积最小的边界框的面积，α是公式(7)的修正系数，NIoU为优化的IoU，Lcls表示分类损失，采用二值交叉熵损失函数，Ltotal为优化IoU的损失函数。

7.根据权利要求1所述的一种基于自适应图像增强的弱光照环境下目标识别方法，其特征在于，所述步骤S5中基于自适应图像增强的弱光照环境下目标识别模型的识别过程为：

C1：将弱光照环境下的视频或图像输入训练好的基于自适应图像增强的弱光照环境下目标识别模型中进行目标识别；

C2：基于自适应图像增强的弱光照环境下目标识别模型中的自适应图像增强模块对输入图像进行预处理；

C3：基于自适应图像增强的弱光照环境下目标识别模型对目标进行识别，输出目标类别。