1.基于软阈值降噪的对比联邦学习交通路标识别方法，其特征在于，包括以下步骤：S1：将训练好的全局图像识别降噪网络模型的模型参数传输至客户端，并在客户端根据所述模型参数构建本地图像识别降噪网络模型；所述全局图像识别降噪网络模型以残差网络为模型架构，内嵌有降噪神经网络；

S2：在客户端获取待识别的交通路标图片，将待识别的交通路标图片输入至本地图像识别降噪网络模型中，得到模型输出的交通路标识别结果；

所述全局图像识别降噪网络模型的训练过程包括：

步骤S01：初始化联邦学习框架，并在服务端构建初始全局图像识别降噪网络模型和交通路标识别测试集，将初始全局图像识别降噪网络模型的全局模型参数发送至全部客户端；

步骤S02：在各个客户端基于服务端发送的全局模型参数搭建客户端本地图像识别降噪网络模型，并基于客户端获取的历史交通路标图片构建训练集；在各个客户端基于训练集对客户端本地图像识别降噪网络模型进行训练，得到训练好的本地图像识别降噪网络模型，并将训练好的客户端本地图像识别降噪网络模型的本地模型参数传输至服务端；利用自注意力提取历史交通路标图片的关键特征，并对提取到的关键特征进行全局平均池化操作；在降噪神经网络中学习不同通道间的关联性；将关联性输出结果归一化到0和1之间，得到尺度参数；将尺度参数与关联性输出结果相乘得到自适应阈值；利用自适应阈值对历史交通路标图片进行软阈值化降噪处理；

步骤S03：在服务端基于各个客户端传输的本地模型参数更新全局图像识别降噪网络模型，并基于交通路标识别测试集测试新的全局图像识别降噪网络模型的预测精度，判断预测精度是否满足全局模型精度阈值，若是，则训练结束，若否，则进入步骤S04；

步骤S04：获取步骤S03更新后的全局图像识别降噪网络模型的全局模型参数并发送至客户端，重复步骤S02‑S03，直至全局图像识别降噪网络模型的预测精度满足全局模型精度阈值要求，得到训练好的全局图像识别降噪网络模型。

2.根据权利要求1所述的基于软阈值降噪的对比联邦学习交通路标识别方法，其特征在于，在所述步骤S02中，构建训练集的方法包括：获取客户端存储的历史交通路标图片；

对历史交通路标图片标注路标类型标签，所述路标类型标签为路标类型的名称；

基于历史交通路标图片与对应的路标类型标签构建得到训练集。

3.根据权利要求1所述的基于软阈值降噪的对比联邦学习交通路标识别方法，其特征在于，在所述步骤S01中，将构建得到的交通路标识别测试集传输至各客户端；

在步骤S02中，基于训练集对客户端本地图像识别降噪网络模型进行多次训练，并在每次训练后基于交通路标识别测试集检测模型的精度，当客户端本地图像识别降噪模型的精度达到本地模型精度阈值时停止对客户端本地图像识别降噪网络模型的训练。

4.根据权利要求3所述的基于软阈值降噪的对比联邦学习交通路标识别方法，其特征在于，所述基于训练集对客户端本地图像识别降噪网络模型进行训练包括：将训练集输入至客户端本地图像识别降噪网络模型中；

利用客户端本地图像识别降噪网络模型中的降噪神经网络对历史交通路标图片进行降噪处理，得到降噪后的历史交通路标图片；

对降噪后的历史交通路标图片进行识别，得到识别结果。

5.根据权利要求1所述的基于软阈值降噪的对比联邦学习交通路标识别方法，其特征在于，所述尺度参数由以下公式计算得到：，

式中：是全局平均池化后得到的实数， 和 分别表示两个全连接层， 和 是通道关联参数，c代表通道；

所述自适应阈值 的计算公式如下：

。

6.根据权利要求5所述的基于软阈值降噪的对比联邦学习交通路标识别方法，其特征在于，采用如下公式进行软阈值化降噪处理：，

式中：输入模型中的历史交通路标图片的特征值， 为降噪之后得到的新的特征值。

7.根据权利要求3所述的基于软阈值降噪的对比联邦学习交通路标识别方法，其特征在于，基于训练集对客户端本地图像识别降噪网络模型进行训练后采样如下公式计算损失函数：，

式中： 表示第t次模型训练后的损失函数， 为交叉熵损失函数，为常数，且， 为模型对比损失；

其中， 的计算公式如下：

，

式中：是控制变量，是当前全局通信轮次未经训练的本地图像识别降噪网络模型和第t次训练后得到的本地图像识别降噪网络模型的特征偏差损失， 是第t次训练后得到的本地图像识别降噪网络模型和第t‑1次训练后得到的本地图像识别降噪网络模型的特征偏差损失。

8.根据权利要求1所述的基于软阈值降噪的对比联邦学习交通路标识别方法，其特征在于，在所述步骤S03中，在服务端基于各个客户端传输的本地模型参数构建新的全局图像识别降噪网络模型包括以下步骤：接收各客户端传输的本地模型参数，并获取各客户端模型训练中训练集包含的数据数量；

计算各客户端的训练数据数量占比，将计算得到的训练数据数量占比作为本地模型参数的权重，客户端训练数据数量占比计算公式为：，

式中：Di为客户端i的训练数据数量占比，mi为客户端i的训练集数据数量，I为客户端的个数；

基于本模型参数和训练数据数量占比更新全局图像识别降噪网络模型的参数，计算公式如下：，

式中： 代表是的客户端i的参数j的值， 为新的全局图像识别降噪网络模型的参数j的值；

根据更新后的全局图像识别降噪网络模型的参数更新全局图像识别降噪网络模型。

9.基于软阈值降噪的对比联邦学习交通路标识别系统，用以实现如权利要求1‑8中任一项所述的基于软阈值降噪的对比联邦学习交通路标识别方法的步骤，其特征在于，包括服务端和若干客户端，所述服务端与每一客户端之间通讯连接；

所述服务端包括第一模型构建模块、第一数据传输模块、验证模块；所述第一模型构建模块用于模型构建；所述第一数据传输模块用于与客户端之间实现数据传输；所述验证模块用于验证基于本地模型参数构建的新的全局图像识别降噪网络模型是否满足全局模型精度阈值要求；

所述客户端包括训练集构建模块，第二模型构建模块，模型训练模块和第二数据传输模块；所述训练集构建模块用于构建训练集，所述第二模型构建模块用于在客户端构建模型，所述模型训练模块用于在客户端对模型进行训练，第二数据传输模块用于实现与服务端的数据传输。