1.一种智能型厂房照明控制方法，其特征在于，包括以下步骤：

步骤S1：对智能型厂房中的灯源照射区域进行多时段的照明亮度采集，从而获取照明亮度数据；对照明亮度数据进行照明区域分布分析，从而获取照明区域分布数据；对照明区域分布数据进行多时段的图像拍摄并预处理，从而获取图像预处理数据；根据图像预处理数据对照明区域分布数据进行区域内亮度的衰减图谱生成，从而获取亮度衰减图谱数据；

步骤S2：对照明区域分布数据进行相邻照明区域的人员移动特征匹配，从而获取移动细节匹配数据集；对移动细节匹配数据集进行贝叶斯概率分类模型构建，从而获取照明概率分类模型；

步骤S3：根据亮度衰减图谱数据对图像预处理数据进行照明亮度动态分析，从而获取亮度多维变化数据；对亮度多维变化数据进行时序修正建模，从而获取时序亮度修正模型；

步骤S4：基于照明概率分类模型进行人员流动时的区域亮度变化预测，从而获取流动亮度预测数据；基于时序亮度修正模型进行自然光变化时的区域亮度修正预测，从而获取自然光修正时序数据；其中，步骤S4包括以下步骤：基于照明概率分类模型进行人员流动时的区域亮度变化预测，从而获取流动亮度预测数据，并记录至厂房照明系统；根据厂房照明系统进行预测区域的亮度调整；

基于时序亮度修正模型进行自然光变化时的区域亮度修正预测，从而获取自然光修正时序数据，并记录至厂房照明系统；根据厂房照明系统进行修正时间监测，当修正时间到达时，则对灯源照射区域进行照明亮度主动采集，从而获取当前照明亮度数据，并根据当前照明亮度数据调整当前区域亮度。

2.根据权利要求1所述的智能型厂房照明控制方法，其特征在于，步骤S1包括以下步骤：步骤S11：对智能型厂房中的灯源照射区域进行多时段的照明亮度采集，从而获取照明亮度数据；

步骤S12：对照明亮度数据进行照明区域分布分析，从而获取照明区域分布数据；

步骤S13：对照明区域分布数据进行多时段的图像拍摄，从而获取照明图像数据；对照明图像数据进行图像预处理，从而获取图像预处理数据；

步骤S14：对图像预处理数据进行照明边缘检测，从而获取照明边缘数据；

步骤S15：根据照明边缘数据对图像预处理数据进行亮度测量，从而获取亮度测量数据；

步骤S16：对亮度测量数据进行局部亮度衰减分析，从而获取局部亮度衰减系数；

步骤S17：根据局部亮度衰减系数对照明区域分布数据进行区域内亮度的衰减图谱生成，从而获取亮度衰减图谱数据。

3.根据权利要求2所述的智能型厂房照明控制方法，其特征在于，步骤S2包括以下步骤：步骤S21：根据照明区域分布数据并利用红外传感器对智能型厂房进行不同区域的红外人像捕捉，从而获取红外人像移动数据；

步骤S22：对红外人像移动数据进行时序波动分析，从而获取人流量波动数据；

步骤S23：根据人流量波动数据对照明区域分布数据进行人流量分布分析，从而获取人流量分布数据；

步骤S24：根据预设的人流量敏感阈值对人流量分布数据进行数据标签，从而获取人流量分布标签数据；

步骤S25：根据人流量分布标签数据并利用毫米波传感器对智能型厂房进行不同区域的人员移动细节捕捉，从而获取移动细节数据集；

步骤S26：对移动细节数据集以及红外人像移动数据进行相邻照明区域的人员移动特征匹配，从而获取移动细节匹配数据集；

步骤S27：根据移动细节匹配数据集对照明区域分布数据进行照明关联标记，从而获取照明关联标记数据；

步骤S28：对照明关联标记数据进行贝叶斯概率分类模型构建，从而获取照明概率分类模型。

4.根据权利要求3所述的智能型厂房照明控制方法，其特征在于，步骤S28中对照明关联标记数据进行贝叶斯概率分类模型构建采用了如下公式：；

式中，是区域照明调整的概率，是关联标记的人员移动特征的数量，是相邻照明区域的关联标记的人员移动特征的数量， 是第 个关联标记的人员移动特征值和第 个相邻照明区域的关联标记的人员移动特征值的相似度， 是相邻照明区域的关联标记的人员移动特征的均值， 是第 个关联标记的人员移动特征的重要性权重值。

5.根据权利要求4所述的智能型厂房照明控制方法，其特征在于，步骤S26包括以下步骤：步骤S261：对移动细节数据集以及红外人像移动数据进行重要特征选择，从而获取移动角度特征数据、移动速度特征数据以及移动动作特征数据；

步骤S262：利用FLANN算法对移动角度特征数据、移动速度特征数据以及移动动作特征数据进行相邻照明区域的特征比率过滤，从而获取移动特征比率数据；

步骤S263：对移动特征比率数据进行卷积模型构建，从而获取卷积模型；利用RANSAC算法对卷积模型进行迭代优化，从而获取优化卷积模型；

步骤S264：基于优化卷积模型对移动细节数据集进行相邻照明区域的人员移动特征匹配，从而获取移动细节匹配数据。

6.根据权利要求5所述的智能型厂房照明控制方法，其特征在于，步骤S3包括以下步骤：步骤S31：对亮度衰减图谱数据进行线性相关性筛选，从而获取线性衰减标准数据；

步骤S32：根据线性衰减标准数据对亮度衰减图谱数据进行线性关联分析，从而获取线性亮度衰减数据；根据线性衰减标准数据对亮度衰减图谱数据进行亮度干扰的非线性关联分析，从而获取非线性亮度衰减数据；

步骤S33：对线性亮度衰减数据以及非线性亮度衰减数据进行直线拟合，从而获取直线拟合衰减数据；

步骤S34：对多维线性衰减数据进行高维特征降维，从而获取低维线性衰减数据；

步骤S35：对低维线性衰减数据进行时间矩阵构建，从而获取亮度衰减矩阵数据；

步骤S36：根据亮度衰减矩阵数据对图像预处理数据进行照明亮度动态分析，从而获取亮度多维变化数据；

步骤S37：对亮度多维变化数据进行时序修正建模，从而获取时序亮度修正模型。

7.根据权利要求6所述的智能型厂房照明控制方法，其特征在于，步骤S36包括以下步骤：步骤S361：对图像预处理数据进行HSV颜色空间转换，并提取出明度分量，从而获取明度分量数据；

步骤S362：根据亮度衰减矩阵数据对明度分量数据进行亮度‑距离衰减聚类分析，从而获取亮度‑距离衰减聚类数据；根据亮度衰减矩阵数据对明度分量数据进行亮度‑时间衰减聚类分析，从而获取亮度‑时间衰减聚类数据；

步骤S363：根据亮度‑距离衰减聚类数据以及亮度‑时间衰减聚类数据对明度分量数据进行亮度趋势分区，从而获取亮度分区数据；

步骤S364：对亮度分区数据进行伽马转换，从而获取伽马转换分区数据；

步骤S365：对伽马转换分区数据进行照明亮度动态分析，从而获取亮度多维变化数据。

8.根据权利要求7所述的智能型厂房照明控制方法，其特征在于，步骤S37包括以下步骤：步骤S371：利用光流法对亮度多维变化数据进行变化梯度划分，从而获取亮度变化梯度数据；

步骤S372：对亮度变化梯度数据进行排序，从而获取亮度梯度序列数据；

步骤S373：根据预设的最小亮度适应数据对亮度梯度序列数据进行时间点标记，从而获取亮度变化时间标记数据；

步骤S374：对亮度变化时间标记数据进行时序修正建模，从而获取时序亮度修正模型。

9.一种智能型厂房照明控制系统，其特征在于，用于执行如权利要求1所述的智能型厂房照明控制方法，该智能型厂房照明控制系统包括：衰减图谱生成模块，用于对智能型厂房中的灯源照射区域进行多时段的照明亮度采集，从而获取照明亮度数据；对照明亮度数据进行照明区域分布分析，从而获取照明区域分布数据；对照明区域分布数据进行多时段的图像拍摄并预处理，从而获取图像预处理数据；

根据图像预处理数据对照明区域分布数据进行区域内亮度的衰减图谱生成，从而获取亮度衰减图谱数据；

照明概率分类模块，用于对照明区域分布数据进行相邻照明区域的人员移动特征匹配，从而获取移动细节匹配数据集；对移动细节匹配数据集进行贝叶斯概率分类模型构建，从而获取照明概率分类模型；

时序修正建模模块，用于根据亮度衰减图谱数据对图像预处理数据进行照明亮度动态分析，从而获取亮度多维变化数据；对亮度多维变化数据进行时序修正建模，从而获取时序亮度修正模型；

区域亮度预测模块，用于基于照明概率分类模型进行人员流动时的区域亮度变化预测，从而获取流动亮度预测数据；基于时序亮度修正模型进行自然光变化时的区域亮度修正预测，从而获取自然光修正时序数据。