1.一种低照度图像序列增强方法，其特征在于，所述方法包括：获取采样图像，计算所述采样图像的分量图像矩阵，构建所述分量图像矩阵的数据矩阵，计算所述数据矩阵的协方差矩阵，对所述协方差矩阵进行特征分解，得到分解特征值与分解特征向量；

确定所述分解特征值的特征值递推形式与所述分解特征向量的特征向量递推形式，计算所述分解特征值的更新参照值，并计算所述分解特征向量的更新参照向量，其中，所述计算所述分解特征值的更新参照值，包括：利用下述公式计算所述分解特征值的更新参照值：

其中， 表示所述更新参照值，C(k‑1)表示k‑1时刻的协方差矩阵，H表示向量复共轭转置符号，i表示特征值与特征向量的序号，xk表示第k时刻的分量图像矩阵的列向量，k表示时刻， 表示k时刻的 由k‑1时刻的ui得到， 表示k时刻的

所述计算所述分解特征向量的更新参照向量，包括：

查询所述分解特征向量对应的当前数据矩阵与前序时刻空间基；

计算所述当前数据矩阵与所述前序时刻空间基之间的欧式距离；

基于所述欧式距离，从所述前序时刻空间基中选取目标空间基；

计算所述当前数据矩阵与所述目标空间基之间的向量内积；

根据所述目标空间基与所述向量内积，利用下述公式计算所述更新参照向量：其中， 表示所述更新参照向量，ui(k‑1)表示k‑1时刻的特征向量，k表示时刻，∑j∈{g,h,k,l,m}βjuj中的ug,uh,uk,ul,um表示U(k‑1)空间当中与x(k)欧式距离最近的5个基向量，即所述目标空间基，βj表示所述向量内积；

根据所述特征值递推形式与所述更新参照值，对所述分解特征值进行特征值更新，得到更新特征值，根据所述特征向量递推形式与所述更新参照向量，对所述分解特征向量进行特征向量更新，得到更新特征向量；

根据所述更新特征值，识别所述更新特征向量的局部向量空间，利用所述局部向量空间对所述更新特征向量进行向量正交投影，得到正交投影向量，根据所述正交投影向量，对所述采样图像进行照度增强处理，得到增强照度图像。

2.根据权利要求1所述的方法，其特征在于，所述对所述协方差矩阵进行特征分解，得到分解特征值与分解特征向量，包括：识别所述协方差矩阵中的初始协方差矩阵；

利用下述公式对所述初始协方差矩阵进行特征分解，得到初始分解值与初始分解向量：其中，σi(1)表示所述初始分解值中的第i个特征值，ui(1)表示所述初始分解向量中的第i个特征向量，C(1)表示第1时刻的协方差矩阵，即所述初始协方差矩阵，L表示特征值的总数，i表示特征值与特征向量的序号，H表示向量复共轭转置；

基于所述初始分解值与所述初始分解向量，利用下述公式确定所述初始协方差矩阵的待更新协方差矩阵：其中，C(k)表示所述待更新协方差矩阵，k表示时刻，α表示介于0和1之间的权重，xk表示第k时刻的分量图像矩阵的列向量，H表示向量复共轭转置符号；

根据所述待更新协方差矩阵，确定所述分解特征值与所述分解特征向量。

3.根据权利要求1所述的方法，其特征在于，所述确定所述分解特征值的特征值递推形式与所述分解特征向量的特征向量递推形式，包括：利用下述公式构建所述分解特征值与所述分解特征向量的特征关系：其中， 表示所述特征关系，σi(k)表示第k时刻协方差矩阵C(k)的第i个特征值符号，ui(k)表示第k时刻协方差矩阵C(k)的第i个特征向量符号，H表示特征向量的复共轭转置，i表示特征值与特征向量的序号，j表示与i相区分的特征向量序号，δij克罗内克函数，C(k)表示所述待更新协方差矩阵；

利用下述公式对所述特征关系进行泰勒展开处理，得到所述特征值递推形式与所述特征向量递推形式：示更新参照值， 表示更新参照向量，i表示特征值与特征向量的序号。

4.根据权利要求1所述的方法，其特征在于，所述根据所述更新特征值，识别所述更新特征向量的局部向量空间，包括：对所述更新特征值进行特征值排序，得到特征值序列；

从所述特征值序列中选取目标特征值；

根据所述目标特征值，从所述更新特征向量中查询目标特征向量；

利用所述目标特征向量构建所述局部向量空间。

5.根据权利要求1所述的方法，其特征在于，所述根据所述正交投影向量，对所述采样图像进行照度增强处理，得到增强照度图像，包括：对所述正交投影向量进行维度增广处理，得到维度增广向量；

对所述维度增广向量进行反列向量化处理，得到反列向量化向量；

对所述反列向量化向量进行逆颜色变换，得到所述增强照度图像。

6.一种低照度图像序列增强装置，其特征在于，所述装置包括：特征分解模块，用于获取采样图像，计算所述采样图像的分量图像矩阵，构建所述分量图像矩阵的数据矩阵，计算所述数据矩阵的协方差矩阵，对所述协方差矩阵进行特征分解，得到分解特征值与分解特征向量；

向量计算模块，用于确定所述分解特征值的特征值递推形式与所述分解特征向量的特征向量递推形式，计算所述分解特征值的更新参照值，并计算所述分解特征向量的更新参照向量，其中，所述计算所述分解特征值的更新参照值，包括：利用下述公式计算所述分解特征值的更新参照值：

其中， 表示所述更新参照值，C(k‑1)表示k‑1时刻的协方差矩阵，H表示向量复共轭转置符号，i表示特征值与特征向量的序号，xk表示第k时刻的分量图像矩阵的列向量，k表示时刻， 表示k时刻的 由k‑1时刻的ui得到， 表示k时刻的

所述计算所述分解特征向量的更新参照向量，包括：

查询所述分解特征向量对应的当前数据矩阵与前序时刻空间基；

计算所述当前数据矩阵与所述前序时刻空间基之间的欧式距离；

基于所述欧式距离，从所述前序时刻空间基中选取目标空间基；

计算所述当前数据矩阵与所述目标空间基之间的向量内积；

根据所述目标空间基与所述向量内积，利用下述公式计算所述更新参照向量：其中， 表示所述更新参照向量，ui(k‑1)表示k‑1时刻的特征向量，k表示时刻，∑j∈{g,h,k,l,m}βjuj中的ug,uh,uk,ul,um表示U(k‑1)空间当中与x(k)欧式距离最近的5个基向量，即所述目标空间基，βj表示所述向量内积；

向量更新模块，用于根据所述特征值递推形式与所述更新参照值，对所述分解特征值进行特征值更新，得到更新特征值，根据所述特征向量递推形式与所述更新参照向量，对所述分解特征向量进行特征向量更新，得到更新特征向量；

照度增强模块，用于根据所述更新特征值，识别所述更新特征向量的局部向量空间，利用所述局部向量空间对所述更新特征向量进行向量正交投影，得到正交投影向量，根据所述正交投影向量，对所述采样图像进行照度增强处理，得到增强照度图像。

7.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任意一项所述的低照度图像序列增强方法。

8.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的低照度图像序列增强方法。