1.基于深层神经网络的车型识别方法，其特征在于，包括以下步骤：
1】构建车辆样本集
卡口抓拍不同品牌、不同类型、不同款式的车辆图像，构建车辆样本集，样本数应满足深层神经网络训练对样本的数量要求；
2】样本预处理
2.1)样本扩充
2.1.1)通过缩放处理，将样本图像整体缩放为不小于512*384大小，缩放后图像应包含缩放前图像中的完整车辆信息；
2.1.2)将缩放后图像均绕y轴进行反转，另存作为新样本加入步骤1)所构建的车辆样本集中，得到扩充后样本集；
2.2)样本标注
标记每张样本图像中车辆在样本图像中的左上角坐标(x，y)、高度h和宽度w，以及车辆所属车型的编号i，生成样本标注文件；所述h和w均为像素点数；
2.3)样本集交叉验证：
2.3.1)将所述扩充后样本集随机分为N个子样本集，每个子样本集中有M个样本；所述N≥10；M＝扩充后样本集中总样本数/N；
2.3.2)轮流抽取S个子样本集作为训练集，其余N-S个子样本集作为测试集，通过样本训练进行分类效果判断；所述1≤S≤9；所述分类效果是通过对测试集的检测率、误判率综合判断确定；
2.3.3)将分类效果最好的一组测试集作为最终模型；所述最终模型用于在样本训练完成后对实际场景中的车辆进行识别；
3】建立预训练模型
采用深层卷积神经网络对所述扩充后样本集中的样本原始图像和样本标注文件进行处理，生成预训练模型；
4】将步骤3】生成的预训练模型分为两部分，分别送入共享所述深层卷积神经网络中卷积层CONV的候选目标区域生成网络和目标快速识别网络；
5】采用交替训练的方式，通过候选目标区域生成网络获取经深层卷积神经网络处理后的样本图像中所有可能存在车辆目标的位置，即候选目标区域；通过所述目标快速识别网络对所述候选目标区域进行识别和归类；若总的损失值大于等于规定值，则继续交替训练；
若总的损失值小于规定值，则交替训练结束，输出候选目标区域得分和坐标；
6】将获取的候选目标区域按得分高低排序，将得分前300个候选目标区域的坐标送入目标快速识别网络；
7】目标快速识别网络根据所述候选目标区域的坐标值，按照坐标映射方式，在步骤3】所生成的预训练模型中寻找对应的区域特征，并将找到的区域特征送入目标快速识别网络中的目标快速识别全连接层，经运算后输入目标识别，同时将所寻找到的区域特征映射回所述样本原始图像并输出，完成车型实时识别。
2.根据权利要求1所述的基于深层神经网络的车型识别方法，其特征在于，所述步骤1】中所述车辆图像为彩色图像，分辨率至少为2048*1536，像素至少为300万。
3.根据权利要求2所述的基于深层神经网络的车型识别方法，其特征在于，所述步骤
2.3)中N＝10，S＝9，M≥200000，i取值范围为1-2234。
4.根据权利要求3所述的基于深层神经网络的车型识别方法，其特征在于，所述步骤3】是采用13层卷积神经网络对所述扩充后样本集中的样本原始图像和样本标注文件进行处理的，具体为：
3.1】定义扩充后样本集中的样本图像为样本原始图像，将样本原始图像输入卷积1层进行处理，卷积1层将原始图像的R、G、B3通道变成64通道，每个通道为224*224的特征图，最终输出512*384*64维特征；所述卷积1层包括64个卷积核，每个卷积核的深度为3，每个卷积核尺寸为3*3，核参数进行高斯随机初始化，分布于0～1之间；
3.2】将卷积1层的输出输入卷积2层，卷积2层输出512*384*64维特征；所述卷积2层包括64个卷积核，每个卷积核的深度为64；
3.3】将卷积2层的输出输入激励1层，激励1层输出512*384*64维特征；所述激励1层采用RELU激励函数；
3.4】将激励1层的输出输入池化1层，池化1层将激励1层输出的特征图切成2*2的小块，将每个小块内的最大特征值作为该小块的输出特征，最终输出256*192*64维特征；
3.5】将池化1层的输出输入卷积3层，卷积3层输出256*192*128维特征；所述卷积3层包括128个卷积核，每个卷积核的深度为64；
3.6】将卷积3层的输出输入卷积4层，卷积4层输出256*192*128维特征；所述卷积4层包括128个卷积核，每个卷积核的深度为128；
3.7】将卷积4层的输出输入激励2层，激励2层输出256*192*128维特征；所述激励2层的处理过程与所述激励1层相同；
3.8】将激励2层的输出输入池化2层，池化2层输出128*96*128维特征；所述池化2层的处理过程与所述池化1层相同；
3.9】将池化2层的输出输入卷积5层，卷积5层输出128*96*256维特征；所述卷积5层包括256个卷积核，每个卷积核的深度为128；
3.10】将卷积5层的输出输入卷积6层，卷积6层输出128*96*256维特征；所述卷积6层包括256个卷积核，每个卷积核的深度为256；
3.11】将卷积6层的输出输入卷积7层，卷积7层输出128*96*256维特征；所述卷积7层包括256个卷积核，每个卷积核的深度为256；
3.12】将卷积7层的输出输入激励3层，激励3层输出128*96*256维特征；所述激励3层的处理过程与所述激励1层相同；
3.13】将激励3层的输出输入池化3层，池化3层输出64*48*256维特征；所述池化3层的处理过程与所述池化1层相同；
3.14】将池化3层的输出输入卷积8层，卷积8层输出64*48*512维特征；所述卷积8层包括512个卷积核，每个卷积核的深度为256；
3.15】将卷积8层的输出输入卷积9层，卷积9层输出64*48*512维特征；所述卷积9层包括512个卷积核，每个卷积核的深度为512；
3.16】将卷积9层的输出输入卷积10层，卷积10层输出64*48*512维特征；所述卷积10层包括512个卷积核，每个卷积核的深度为512；
3.17】将卷积10层的输出输入激励4层，激励4层输出64*48*512维特征；所述激励4层的处理过程与所述激励1层相同；
3.18】激励4层的输出输入池化4层，池化4层输出32*24*512维特征；所述池化4层的处理过程与所述池化1层相同；
3.19】将池化4层的输出输入卷积11层，卷积11层输出32*24*512维特征；所述卷积11层，包括512个卷积核，每个卷积核的深度为512；
3.20】将卷积11层的输出输入卷积12层，卷积12层输出32*24*512维特征；所述卷积12层包括512个卷积核，每个卷积核的深度为512；
3.21】将卷积12层的输出输入卷积13层，卷积13层生成预训练模型并输出，所述预训练模型为具有32*24*512维特征的全局特征图；所述卷积13层包括512个卷积核，每个卷积核的深度为512。
5.根据权利要求4所述的基于深层神经网络的车型识别方法，其特征在于，所述步骤5】具体为：
5.1】从全局特征图中获取不同尺寸和位置的目标：
5.1.1】采用最大池化法将步骤3.21】输出的32*24*512维全局特征图缩减为3*3*512尺寸；
5.1.2】采用3*3*512*512的卷积核对步骤5.1.1】的输出进行卷积，得到512维向量；
5.2】采用基准点定位、多尺寸覆盖的方式进行不同位置和尺寸目标的检测：
5.2.1】将步骤3.21】输出的32*24*512维全局特征图用3*3的滑动窗进行遍历，定义滑动窗的中心点为基准点；以基准点为中心，以9种不同比例的尺寸覆盖所述全局特征图，在一张全局特征图上可以生成32*24*9种候选框；在32*24的全局特征图上滑动时，每移动到一个新的基准点，分别以4*4，8*8，16*16，4*8，8*4，8*16，16*8，4*16，16*4的尺寸覆盖，4*4，
8*8，16*16，4*8，8*4，8*16，16*8，4*16，16*4对应的原图分别为64*64，128*128，256*256，
64*128，128*64，128*256，256*128，64*256，256*64维特征图；
5.2.2】对所述候选框进行再标记：
若当前候选框和实际目标区域重合度大于0.7，则将当前候选框标记为正样本；若重合度小于0.3，则将当前候选框标记为负样本；若重合度介于0.7和0.3之间，则将当前候选框丢弃不用；
5.2.3】将步骤5.2.1】后生成的64*64，128*128，256*256，64*128，128*64，128*256，
256*128，64*256，256*64维特征统一划分为16*16网格，在该网格内按照最大池化法保留最大元素，生成256维特征向量；
5.2.4】将步骤5.2.3】生成的256维特征向量同时送入两个并行的全连接层，分别为分类全连接层和坐标回归全连接层；分类全连接层输出2*9＝18维，代表每个基准点对应的9个候选框是正样本还是负样本；坐标回归全连接层输出36维，对应9个候选框的左上角坐标(x，y)点以及高度h和宽度w共4个维度信息；
5.3】交替训练模型
5.3.1】用ImageNet数据集预训练的参数初始化共享的13层卷积层参数W0；用高斯分布随机初始化候选目标区域生成网络中候选目标区域生成全连接层FC、分类全连接层、坐标回归全连接层的参数，用车辆样本对候选目标区域生成网络中候选目标区域生成全连接层FC、分类全连接层、坐标回归全连接层的参数进行微调，生成候选目标ROI1；
5.3.2】用ImageNet数据集预训练的参数初始化共享的13层卷积层参数W0；用高斯分布随机初始化目标快速识别网络的目标快速识别全连接层FC参数，用步骤5.3.1】中生成的候选目标ROI1训练目标快速识别网络中候选目标区域生成全连接层FC的参数，此过程中候选目标区域生成网络和目标快速识别网络之间是独立的；
5.3.3】使用步骤5.3.2】中目标快速识别网络生成的参数再次初始化候选目标区域生成网络中候选目标区域生成全连接层FC的参数，固定共享的13层卷积层的参数，微调目标区域生成网络中候选目标区域生成全连接层FC的参数，生成候选目标ROI2；
5.3.4】固定共享的13层卷积层的参数，用步骤5.3.3】中生成的候选目标ROI2对目标快速识别网络中候选目标区域生成全连接层FC的参数进行微调；
5.3.5】重复执行步骤5.3.2】～5.3.4】，每训练一个批次样本，计算一次损失函数，再用标准的随机梯度下降方式对各层参数进行调节，直到总损失函数小于规定值，训练结束，输出候选目标区域得分和坐标；
总损失函数的计算方法为：
采用步骤5.2.4】中加入的分类全连接层和坐标回归全连接层进行训练，训练每迭代一次，统计一次总损失函数L({pi}，{ti})，具体的统计方式为：
其中：
上式中，(x，y，w，h)，(x*，y*，w*，h*)，(xa，ya，wa，ha)：分别表示预测窗口坐标、真实标注目标坐标和基准点窗口坐标；所述预测窗口即前述的候选框；
i：预测窗口下标；
pi：预测窗口判定为目标的概率；
预测窗口实际为正样本时取1，为负样本时取0；
Lcls：分类损失；
Lreg：回归损失；
λ：用来权衡分类损失Lcls和回归损失Lreg，λ取值范围为1～200；
Ncls：每次样本训练的批处理数目，其中正负样本数目应尽量平衡；
Nreg：基准点定位的数目；
xa：基准点窗口的x坐标；
ya：基准点窗口的y坐标；
wa：基准点窗口宽度；
ha：基准点窗口高度；
w*：实际标注目标宽度；
x*：实际标注目标x坐标；
*
h：实际标注目标高度；
y*：实际标注目标y坐标；
或 或 或 取决于i，i∈{x，y，w，h}；
tx：预测目标x坐标对于基准点窗口x坐标的平移因子；
ty：预测目标y坐标对于基准点窗口y坐标的平移因子；
tw：预测目标w坐标对于基准点窗口w坐标的缩放因子；
th：预测目标h坐标对于基准点窗口h坐标的缩放因子；
真实目标w坐标对于基准点窗口w坐标的缩放因子；
真实目标h坐标对于基准点窗口h坐标的缩放因子；
真实目标x坐标对于基准点窗口x坐标的平移因子；
真实目标y坐标对于基准点窗口y坐标的平移因子。
6.基于深层神经网络的车型识别系统，其特征在于：包括深层卷积神经网络、候选目标区域生成网络和目标快速识别网络；
所述深层卷积神经网络主要包括穿插组合的多个卷积层CONV、激励层和池化层POOL；
所述卷积层CONV用于增强样本原始图像的图像特征；所述卷积层CONV的输出结果通过所述激励层映射至所述池化层；所述池化层用于压缩卷积层输出结果中的参数数目；
所述候选目标区域生成网络和目标快速识别网络共享所述卷积层CONV；候选目标区域生成网络用于从所述深层卷积神经网络的输出结果中获取样本图像中所有可能存在车辆目标的位置，即候选目标区域；目标快速识别网络用于对所述候选目标区域进行识别归类，并将所述候选目标区域映射至样本原始图像并输出相应的样本原始图像。
7.根据权利要求6所述的车型识别系统，其特征在于：所述深层卷积神经网络为13层卷积神经网络，包括依次连接的
卷积1层，包括64个卷积核，每个卷积核的深度为3，每个卷积核尺寸为3*3，核参数进行高斯随机初始化，分布于0～1之间；
卷积2层，包括64个卷积核，每个卷积核的深度为64；
激励1层，采用RELU激励函数；
池化1层，用于将激励1层输出的特征图切成2*2的小块，将每个小块内的最大特征值作为该小块的输出特征；
卷积3层，包括128个卷积核，每个卷积核的深度为64；
卷积4层，包括128个卷积核，每个卷积核的深度为128；
激励2层，与所述激励1层相同；
池化2层，用于将激励2层输出的特征图切成2*2的小块，将每个小块内的最大特征值作为该小块的输出特征；
卷积5层，包括256个卷积核，每个卷积核的深度为128；
卷积6层，包括256个卷积核，每个卷积核的深度为256；
卷积7层，包括256个卷积核，每个卷积核的深度为256；
激励3层，与所述激励1层相同；
池化3层，用于将激励3层输出的特征图切成2*2的小块，将每个小块内的最大特征值作为该小块的输出特征；
卷积8层，包括512个卷积核，每个卷积核的深度为256；
卷积9层，包括512个卷积核，每个卷积核的深度为512；
卷积10层，包括512个卷积核，每个卷积核的深度为512；
激励4层，与所述激励1层相同；
池化4层，用于将激励4层输出的特征图切成2*2的小块，将每个小块内的最大特征值作为该小块的输出特征；
卷积11层，包括512个卷积核，每个卷积核的深度为512；
卷积12层，包括512个卷积核，每个卷积核的深度为512；
卷积13层，包括512个卷积核，每个卷积核的深度为512。
8.根据权利要求6或7所述的车型识别系统，其特征在于：所述候选目标区域生成网络包括目标区域快速生成层、候选目标区域生成全连接层FC、分类全连接层和坐标回归全连接层；目标区域快速生成层的输入端与所述深层卷积神经网络最末端的卷积层CONV的输出端相连，目标区域快速生成层的输出端与候选目标区域生成全连接层FC的输入端相连，候选目标区域生成全连接层FC的输出端同时与分类全连接层和坐标回归全连接层的输入端相连；
所述目标快速识别网络包括目标快速检测层、目标快速识别全连接层FC和车型识别输出层；目标快速检测层的输入端也与所述深层卷积神经网络最末端的卷积层CONV的输出端相连，目标快速检测层的输出端与目标快速识别全连接层FC的输入端相连，目标快速识别全连接层FC的输出端与车型识别输出层的输入端相连。