1.一种建筑物轮廓的提取方法，其特征在于，包括如下步骤：

S1、构建模型，包括：

基于原始Faster R‑CNN模型和Spectral Residual模型进行模型构建，得到Faster R‑CNN新模型；具体为：将原始Faster R‑CNN模型的输出与Spectral Residual模型的输入连接；

基于原始U‑Net模型以及CBAM双注意力机制模块、RCF边缘检测网络和Harris角点检测算子进行模型构建，得到RH‑CUnet模型；具体为：在原始U‑Net模型的跳跃连接部分添加CBAM双注意力机制模块，得到CUnet模型；将RCF边缘检测网络的输入和CUnet模型的输入并联，将所述CUnet模型的输出与所述RCF边缘检测网络的特征融合模块连接，得到RCF‑CUnet模型，所述RCF边缘检测网络的输出作为所述RCF‑CUnet模型的输出；将所述RCF‑CUnet模型的输出与Harris角点检测算子的输入连接，得到RH‑CUnet模型，所述Harris角点检测算子的输出作为所述RH‑CUnet模型的输出；

S2、建筑物轮廓提取，包括：

通过所述Faster R‑CNN新模型对目标图像中的建筑物进行初步定位，得到建筑物边界框，对所述建筑物边界框进行再次定位，得到建筑物区域图像；

通过所述RH‑CUnet模型从所述建筑物区域图像中提取出图像语义特征，并从所述建筑物区域图像中提取出建筑物边缘特征，对所述图像语义特征和所述建筑物边缘特征进行融合，得到边缘融合特征，对所述边缘融合特征进行建筑物角点提取，通过提取的建筑物角点数据输出建筑物轮廓。

2.根据权利要求1所述的建筑物轮廓的提取方法，其特征在于，

所述S2中，通过所述Faster R‑CNN新模型对目标图像中的建筑物进行初步定位，得到建筑物边界框，对所述建筑物边界框进行再次定位，得到建筑物区域图像，具体为：通过所述Faster R‑CNN新模型中的原始Faster R‑CNN模型对目标图像中的建筑物进行初步定位，得到建筑物边界框，并通过所述Faster R‑CNN新模型中的Spectral Residual模型对所述建筑物边界框进行再次定位，得到建筑物区域图像。

3.根据权利要求1所述的建筑物轮廓的提取方法，其特征在于，所述S2中，通过所述RH‑CUnet模型从所述建筑物区域图像中提取出图像语义特征，并从所述建筑物区域图像中提取出建筑物边缘特征，对所述图像语义特征和所述建筑物边缘特征进行融合，得到边缘融合特征，对所述边缘融合特征进行建筑物角点提取，通过提取的建筑物角点数据输出建筑物轮廓，具体为：通过所述CUnet模型从所述建筑物区域图像中提取出图像语义特征和通过所述RCF边缘检测网络从所述建筑物区域图像中提取出建筑物边缘特征；

通过所述RCF边缘检测网络的特征融合模块对所述图像语义特征和所述建筑物边缘特征进行融合，输出边缘融合特征图；

通过所述RH‑CUnet模型对所述边缘融合特征图进行建筑物角点提取，通过所述建筑物角点数据输出建筑物轮廓。

4.根据权利要求3所述的建筑物轮廓的提取方法，其特征在于，所述通过所述RH‑CUnet模型对所述边缘融合特征图进行建筑物角点提取，通过所述建筑物角点数据输出建筑物轮廓，具体为：根据所述Harris角点检测算子建立局部检测窗口，并设置所述局部检测窗口的移动参数；

按照所述移动参数将所述局部检测窗口在所述边缘融合特征图中进行移动，所述局部检测窗口每次移动时产生能量变化，对所述能量变化进行计算，得到能量变化值，根据所述能量变化值提取建筑物角点，通过提取的建筑物角点数据输出建筑物轮廓。

5.一种建筑物轮廓的提取装置，其特征在于，包括模型构建模块和建筑物轮廓提取模块：

所述模型构建模块，用于基于原始Faster R‑CNN模型和Spectral Residual模型进行模型构建，得到Faster R‑CNN新模型；具体为：将原始Faster R‑CNN模型的输出与Spectral Residual模型的输入连接；

还用于基于原始U‑Net模型以及CBAM双注意力机制模块、RCF边缘检测网络和Harris角点检测算子进行模型构建，得到RH‑CUnet模型；具体为：在原始U‑Net模型的跳跃连接部分添加CBAM双注意力机制模块，得到CUnet模型；将RCF边缘检测网络的输入和CUnet模型的输入并联，将所述CUnet模型的输出与所述RCF边缘检测网络的特征融合模块连接，得到RCF‑CUnet模型，所述RCF边缘检测网络的输出作为所述RCF‑CUnet模型的输出；将所述RCF‑CUnet模型的输出与Harris角点检测算子的输入连接，得到RH‑CUnet模型，所述Harris角点检测算子的输出作为所述RH‑CUnet模型的输出；

建筑物轮廓提取模块，用于通过所述Faster R‑CNN新模型对目标图像中的建筑物进行初步定位，得到建筑物边界框，对所述建筑物边界框进行再次定位，得到建筑物区域图像；

通过所述RH‑CUnet模型从所述建筑物区域图像中提取出图像语义特征，并从所述建筑物区域图像中提取出建筑物边缘特征，对所述图像语义特征和所述建筑物边缘特征进行融合，得到边缘融合特征，对所述边缘融合特征进行建筑物角点提取，通过提取的建筑物角点数据输出建筑物轮廓。

6.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1至4中任一项所述的建筑物轮廓的提取方法。

7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至4任一项所述的建筑物轮廓的提取方法。