1.一种基于视频检测的卷积神经网络推断优化方法，其特征在于：该方法包括视频帧计数模块、卷积神经网络推断计算模块、相似度检测模块和相关矩阵计算模块；
2.如权利要求1所述的一种基于视频检测的卷积神经网络推断优化方法，其特征在于：该方法包括如下的工作步骤：
3.如权利要求1所述的一种基于视频检测的卷积神经网络推断优化方法，其特征在于：所述视频帧计数模块记录输入的总视频帧数量n和更新背景帧后输入的视频帧数量n′，n初始值为0，n′初始值为0，而且背景帧不计入n′内；每输入一个视频帧，n的数值就加一；背景帧更新之后每输入一个视频帧，n′的数值就加一，当所述卷积神经网络推断计算模块里保存的背景帧更新时，n′的值置为0。
4.如权利要求1所述的一种基于视频检测的卷积神经网络推断优化方法，其特征在于：所述卷积神经网络推断计算模块存储背景帧，运行卷积神经网络算法计算并存储背景帧的推断结果，对与背景帧相似的视频帧直接复用存储的背景帧推断结果；记录更新背景帧后到下一次更新背景帧之间的时长用于长时间不更新背景帧的情况下确保背景帧可及时更新。
5.如权利要求1所述的一种基于视频检测的卷积神经网络推断优化方法，其特征在于：所述相似度检测模块将输入视频帧与背景帧的每一个对应像素点上的像素值相减得到一个相似度矩阵，与所述相关矩阵计算模块的阈值矩阵t∈rm×n进行逐个矩阵元素数值对比，来判断输入视频帧与背景帧的相似度。
6.如权利要求1所述的一种基于视频检测的卷积神经网络推断优化方法，其特征在于：所述相关矩阵计算模块根据背景帧到输入视频帧之间所有的历史视频帧每个像素点上像素值的平均变化值计算得到阈值矩阵t∈rm×n；累加帧矩阵a∈rm×n则是根据所有的历史视频帧每个像素点上像素值的总和计算得到。
7.如权利要求2所述的一种基于视频检测的卷积神经网络推断优化方法，其特征在于：本发明的计算流程主要包含三个阶段：初始化阶段，相似帧处理阶段和背景帧更新阶段；初始化阶段主要包括步骤s4和s5，相似帧处理阶段主要包括步骤s14，s15和s16，背景帧更新阶段主要包括步骤s8，s9，s17，s18，s19和s20；每一次更新背景帧所述视频帧计数模块重置n′为0，所述卷积神经网络推断计算模块重置time为0开始重新计时，所述相关矩阵计算模块重新置阈值矩阵t∈rm×n为零值矩阵。
8.如权利要求2所述的一种基于视频检测的卷积神经网络推断优化方法，其特征在于：所述步骤s8中，所述卷积神经网络推断计算模块读取所述相关矩阵计算模块中的累加帧矩阵a∈rm×n，除以n′计算得到历史平均帧，设定历史平均帧作为背景帧保存，运行卷积神经网络算法得到新的背景帧推断结果并保存。