1.一种基于特征嵌入的红外与可见光图像融合方法，其特征在于，包括以下步骤：S1、构建自校准卷积网络模型提取红外与可见光图像的源图像特征，得到源图像特征信息；

S2、利用ZCA白化对步骤S1得到的源图像特征信息进行预处理，得到源图像特征活动图；

S3、将步骤S2得到的源图像特征活动图中高层次特征活动图嵌入到低层次特征活动图，得到权值图；

S4、利用步骤S3得到的权值图与源图像构建融合图像。

2.根据权利要求1所述的一种基于特征嵌入的红外与可见光图像融合方法，其特征在于，所述步骤S1具体包括以下分步骤：S11、在残差网络中嵌入自校准卷积，构建自校准卷积网络模型；

S12、利用ImageNet训练集对步骤S11构建的自校准卷积网络模型进行预训练，得到训练后的自校准卷积网络模型；

S13、利用步骤S12得到的训练后的自校准卷积网络模型对源图像进行特征提取，得到源图像特征图信息。

3.根据权利要求2所述的一种基于特征嵌入的红外与可见光图像融合方法，其特征在于，所述步骤S2具体包括以下分步骤：S21、利用步骤S13得到的源图像特征图信息 计算协方差矩阵 ，表示为：其中， 为源图像特征图信息 的转置矩阵，i为自校准卷积网络中卷积的层数，j为通道数，k为源图像；

S22、对步骤S21得到的协方差矩阵 进行奇异值分解，得到正交矩阵P，表示为：其中，P为 大小的正交矩阵， 为 大小的对角矩阵，Q为 大小的正交矩阵， 为正交矩阵Q的转置矩阵；

S23、利用步骤S22得到的正交矩阵P计算新的随机向量 ，表示为：其中，E为单位矩阵， 为正交矩阵P的转置矩阵， 为随机数；

S24、利用步骤S23得到的新的随机向量 对源图像特征信息 进行处理，得到处理后的源图像特征信息 ，表示为：S25、根据步骤S24处理后的源图像特征信息 ，利用l1范数法计算初始源图像特征活动图 ；

S26、根据步骤S25中初始源图像特征活动图 ，利用基于块的平均运算符计算源图像特征活动图 。

4.根据权利要求3所述的一种基于特征嵌入的红外与可见光图像融合方法，其特征在于，所述步骤S25中初始源图像特征活动图 表示为：其中， 为l1范数， 为矩阵中具体的像素点坐标。

5.根据权利要求4所述的一种基于特征嵌入的红外与可见光图像融合方法，其特征在于，所述步骤S26中源图像特征活动图 表示为：其中，ω为决定块大小的参数。

6.根据权利要求5所述的一种基于特征嵌入的红外与可见光图像融合方法，其特征在于，所述步骤S3具体包括以下分步骤：S31、利用双三次插值法将步骤S26得到的源图像特征活动图 中高层次特征活动图 尺寸放大至与低层次特征活动图 尺寸相同；

S32、将步骤S31中尺寸放大后高层次特征活动图 与低层次特征活动图中元素逐项相乘，得到特征嵌入后的初始权值图 ；

S33、利用步骤S32得到的初始权值图 计算权值图 。

7.根据权利要求6所述的一种基于特征嵌入的红外与可见光图像融合方法，其特征在于，所述步骤S32中特征嵌入后的初始权值图 表示为：其中，bicubic（）为双三次插值函数。

8.根据权利要求6所述的一种基于特征嵌入的红外与可见光图像融合方法，其特征在于，所述步骤S33中权值图 表示为：其中，k为源图像，I为红外图像，V为可见光图像。

9.根据权利要求8所述的一种基于特征嵌入的红外与可见光图像融合方法，特征在于，所述步骤S4具体为：

利用步骤S33得到的最终的权值图 与源图像k构建融合图像 ，表示为：。