1.一种基于生成对抗网络的红外图像去运动模糊方法，其特征在于：包括以下步骤：S1、构建红外图像数据集，模拟生成红外图像的运动模糊图像，将红外图像模糊‑清晰图像对作为训练数据与测试数据；

S2、构建基于生成对抗网络的红外图像去运动模糊模型，将训练数据输入模型进行训练，用测试数据测试后，获得训练好的生成器网络；所述生成器网络采用基于纵向通道和动态卷积生成网络，包括基于纵向通道的编码器网络、基于动态卷积的残差特征提取网络和基于双二次线性差值加卷积的译码器网络；

S3、将待去运动模糊的红外图像输入训练好的生成器网络，获得去运动模糊的红外图像。

2.根据权利要求1所述的一种基于生成对抗网络的红外图像去运动模糊方法，其特征在于：S2中，所述基于纵向通道的编码器网络包括输入相同的前向通道和纵向通道；所述前向通道包括第一卷积块、第二卷积块、第三卷积块和第四卷积块；所述纵向通道包括第一纵向通道、第二纵向通道和第三纵向通道；所述第一卷积块、第二卷积块顺序连接后的输出与第一纵向通道的输出拼接作为第三卷积块的输入，第三卷积块的输出与第二纵向通道的输出拼接作为第四卷积块的输入，第四卷积块的输出与第三纵向通道的输出拼接作为编码器网络的输出。

3.根据权利要求1所述的一种基于生成对抗网络的红外图像去运动模糊方法，其特征在于：S2中，所述基于动态卷积的残差特征提取网络包括6个相同的残差模块；所述残差模块包括依次相连的第一动态卷积模块、第一实例归一化层、激活函数层、第二动态卷积模块和第二实例归一化层；所述第一动态卷积模块、第二动态卷积模块均包括依次连接的全局池化层、卷积层、子激活函数层、全连接层和softmax层；所述softmax层输出的4个不同的参数值π1～π4分别与相应尺寸的权重矩阵W1～W4相乘后相加生成卷积核。

4.根据权利要求3所述的一种基于生成对抗网络的红外图像去运动模糊方法，其特征在于：在所述残差模块的激活函数层后加入Dropout层。

5.根据权利要求1所述的一种基于生成对抗网络的红外图像去运动模糊方法，其特征在于：S2中，所述基于双二次线性差值加卷积的译码器网络包括依次相连的三个双二次线性插值加卷积模块、一个卷积层和一个Tanh激活函数层；所述双二次线性插值加卷积模块包括依次相连的一个双二次线性插值层、一个卷积层和一个激活函数层。

6.根据权利要求1所述的一种基于生成对抗网络的红外图像去运动模糊方法，其特征在于：S2中，所述生成器应用的激活函数为IR‑ReLU函数：网络在反向传播过程中应用的所述激活函数的导数为：

7.根据权利要求1所述的一种基于生成对抗网络的红外图像去运动模糊方法，其特征在于：S2中，具体包括以下步骤：S2.1构建生成器网络；

S2.2构建判别器网络；

S2.3训练生成器网络和判别器网络并通过损失函数进行优化；

S2.4用测试数据对训练后的生成器网络进行测试。

8.根据权利要求7所述的一种基于生成对抗网络的红外图像去运动模糊方法，其特征在于：S2.2中，所述判别器网络采用PatchGAN结构。

9.根据权利要求7所述的一种基于生成对抗网络的红外图像去运动模糊方法，其特征在于：S2.3中，所述损失函数包括对抗损失和内容损失，损失函数为：L＝LGAN+λ1Lx

式中，LGAN表示对抗损失，Lx表示内容损失，λ1表示内容损失的正则化系数；

对抗损失的表达式为：

内容损失表示为一种新的结构系数lstr与L2损失的相乘，函数的表达式为：Lx＝lstr·L2

式中，L2损失的表达式为：

S

式中，Ix,y表示清晰图像的像素值， 表示复原图像的像素值。

结构系数lstr的表达式为：

式中， 表示复原图像的方差， 表示清晰图像的方差， 表示复原图像与清晰图像之间的协方差。