1.一种图像边缘提取方法，其特征在于，所述方法包括：获取含有目标物的原始彩色图像，并从所述原始彩色图像当中提取出所述目标物所在区域，得到感兴趣区域图像；

对所述感兴趣区域图像进行灰度化处理，得到对应的灰度图像；

对所述灰度图像进行分段线性灰度变换处理，得到变换后的灰度图像；

对所述变换后的灰度图像进行双边滤波处理，得到滤波后的灰度图像；

将所述滤波后的灰度图像输入到预先训练的图像边缘提取模型当中，以提取出所述目标物的边缘轮廓；

对所述灰度图像进行分段线性灰度变换处理的步骤包括：根据所述灰度图像的各像素点的灰度值所处的范围，采用对应的预设的线性灰度变换函数对每个像素点进行灰度变换处理；

其中，线性灰度变换函数的表达式为：式中，a为所述灰度图像的最大灰度值，c和d代表需要灰度变换的目标区域的灰度值范围的两个端点值，c

其中，所述图像边缘提取模型采用动态学习率进行训练；

并且，所述图像边缘提取模型在最后输出层采用强化学习类型中的softmax算法概率化输出结果，softmax算法的公式为：式中，Q(i)代表当前1至i处的平均值，τ为强化学习中的“变火”参数；

其中，所述图像边缘提取模型的训练步骤包括：将训练图像输入到卷积神经网络当中，所述卷积神经网络最初采用初始权重对所述训练图像当中的目标物进行边缘提取；

将边缘提取后的训练图像与包含所述目标物的实际边缘轮廓的模板图像进行对比，得到二者相似度；

判断所述相似度是否大于阈值；

若否，则按照预设调整规则对所述卷积神经网络的权重进行调整并更新，所述卷积神经网络采用更新后的权重对所述训练图像当中的目标物再次进行边缘提取，并再次进行相似度判断；

若是，则返回执行所述将训练图像输入到卷积神经网络当中的步骤，以将下一张训练图像输入到卷积神经网络当中进行训练，直到所有训练图像都训练完后，输出当前卷积神经网络，得到所述图像边缘提取模型；

其中，所述卷积神经网络的卷积层中的特征图的各神经元是不会与上一层输入得到的每一像素进行连接，同时所有的神经元与上一层输入所连接的权重是相同的；特征图所对应于的关系如下：

式中，Sx为垂直步幅，Sy为水平步幅，fh为感受野高度，fw为感受野宽度，Zi,j,l代表卷积层中第l幅特征图中的（i，j）位置上的神经元数值大小， 代表卷积层中第l‑1幅特征图中的（i’，j’）区域内的神经元数值大小， 代表卷积层中第l‑1幅特征图到第l幅特征图中（u，v）卷积模板与输入项k’的权重，f n’代表输入项的数目，为保证上下特征图大小的一致性，采用对l‑1幅特征图进行“补零”方式增加行列。

2.根据权利要求1所述的图像边缘提取方法，其特征在于，对所述感兴趣区域图像进行灰度化处理的步骤包括：

按从左往右、从上往下的扫描顺序对所述感兴趣区域图像当中的每一像素点进行扫描，并采用预设的灰度转化公式对扫描的每一像素点进行灰度转化。

3.根据权利要求2所述的图像边缘提取方法，其特征在于，所述预设的灰度转化公式为：

Gray(xi，yi)= R(xi，yi)*0.299+G(xi，yi)*0.587+B(xi，yi)*0.144式中，R(xi，yi)、G(xi，yi)和B(xi，yi)分别代表像素点(xi，yi)的R分量、G分量及B分量的值，Gray(xi，yi)代表像素点(xi，yi) 灰度转化后的灰度值。

4.根据权利要求1所述的图像边缘提取方法，其特征在于，对所述变换后的灰度图像进行双边滤波处理的步骤包括：

按从左往右、从上往下的扫描顺序对所述变换后的灰度图像当中的每一像素点进行扫描，并采用预设的双边滤波公式对扫描的每一像素点进行双边滤波处理。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1－4任一所述的图像边缘提取方法。

6.一种图像边缘提取设备，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1－4任一所述的图像边缘提取方法。