1.一种基于生成对抗网络的森林烟火图像检测方法，其特征在于，包括如下步骤：步骤1：获取森林烟火监控图像，形成数据集，并将数据集中的图像转化为灰度图像；

步骤2：提取数据集中每张图像的图像特征矩阵；

步骤3：构建生成对抗网络，其中，通过深度字典学习构建判别器与生成器中的字典和分类器参数；

步骤4：将图像特征矩阵作为判别器的输入，获取判别器中每一层的字典和稀疏矩阵；

在生成器中给定一个随机噪声和标签，获取生成器中每一层的字典和生成图像；

步骤5：根据判别器的目标函数、生成器的目标函数，重复执行步骤4直至判别器中的字典、稀疏矩阵以及生成器中的字典、生成图像稳定；

步骤6：用稳定后的生成对抗网络对森林烟火进行检测。

2.如权利要求1所述的基于生成对抗网络的森林烟火图像检测方法，其特征在于，所述步骤2中，通过SIFT方法提取数据集中每张图像的图像特征矩阵。

3.如权利要求1所述的基于生成对抗网络的森林烟火图像检测方法，其特征在于，所述步骤4中，获取判别器中每一层的字典和稀疏矩阵具体包括：非最后一层的字典和稀疏矩阵的获取方法和最后一层的字典和稀疏矩阵的方获取方法，其中，非最后一层的字典和稀疏矩阵的获取方法为：通过求解公式：

获得每层字典；

通过求解公式：

获得每层稀疏矩阵；

i i i i

式中，X 是判别器的第i层输入；D是第i层的字典；Z 是第i层的稀疏编码；P是第i层局部适配器；

最后一层的字典和稀疏矩阵的方获取方法为：通过求解公式：

获取最后一层的字典；

通过求解公式：

获取最后一层的稀疏矩阵；

n‑1 n n

式中，Z 是第n‑1层的稀疏编码；D是第n层的字典；Z 是第n层的稀疏编码；λ1是正则化n参数；P是第n层局部适配器；W是要优化的线性分类器的权重矩阵；Y是样本的标签。

4.如权利要求3所述的基于生成对抗网络的森林烟火图像检测方法，其特征在于，在获取最后一层的字典和稀疏矩阵过程中还包括：通过求解公式：

获取判别器的参数；

n

式中，W是要优化的线性分类器的权重矩阵；Z是第n层的稀疏编码；Y是样本的标签；λc是正则化参数。

5.如权利要求1所述的基于生成对抗网络的森林烟火图像检测方法，其特征在于，所述步骤4中，获取生成器中每一层的字典和生成图像的具体方法为：步骤A41：进行从最后一层开始向前一层逐层获取当前层的字典和生成图像的迭代过程，其中，将当前层获取的生成图像作为前一层的稀疏编码；

步骤A42：将第一层的生成图像输入至判别器，获取稀疏编码，将稀疏编码作为下一次迭代过程中最后一层中的稀疏编码；

步骤A43：执行数次步骤A41‑步骤A42的过程，将步骤A41最终产生的每一层的字典和生成图像作为结果。

6.如权利要求5所述的基于生成对抗网络的森林烟火图像检测方法，其特征在于，通过求解公式：获取当前层的字典；

通过求解公式：

获取当前层的生成图像；

i i

式中， 是第i层的输入；B是生成器的第i层的字典；G 是生成器的第i层的输出； 是第i层局部适配器；λ2是正则化参数。

7.如权利要求1所述的基于生成对抗网络的森林烟火图像检测方法，其特征在于，所述步骤5中，判别器的目标函数为：i i‑1

s.t.X＝Z

i i i

式中，X是判别器的第i层输入；D是第i层的字典；Z是第i层的稀疏编码；λ1和λc是正则i n化参数；P是第i层局部适配器；Z是第n层的稀疏编码；Y是样本的标签；W是要优化的线性分类器的权重矩阵。

8.如权利要求1或7所述的基于生成对抗网络的森林烟火图像检测方法，其特征在于，所述步骤5中，生成器的目标函数为：i i

式中， 是第i层的输入；B是生成器的第i层的字典；λ1、λ2和λc是正则化参数；G 是生成i i i器的第i层的输出； 是第i层局部适配器；X是判别器的第i层输入；D是第i层的字典；Z是i第i层的稀疏编码；P是第i层局部适配器；Y是样本的标签；W是要优化的线性分类器的权重n矩阵；Z是第n层的稀疏编码。