1.一种基于路侧相机的车辆动态称重及多参量检测方法，其特征在于，包括以下步骤：
S1、在监测道路安装车辆动态称重系统，根据车辆动态称重系统获取车辆动态称重参数；
S2、构建并训练锁定车辆稳定特征的交通检测网络；交通检测网络包括特征提取模块、特征融合模块和特征锁定模块，其中特征锁定模块对融合特征进行检测和解析，并进行车辆特征锁定；
S3、获取监测道路上路侧相机捕获的车辆行驶实时动态画面，将车辆行驶实时动态画面输入至交通检测网络进行车辆特征锁定，得到车辆特征信息；
S4、根据车辆特征信息与车辆动态称重参数进行融合，得到车辆参量；所述车辆参量包括车型、车轴、车长、颜色特征、车辆重量数据。
2.如权利要求1所述的一种基于路侧相机的车辆动态称重及多参量检测方法，其特征在于，所述交通检测网络为：
特征提取模块包括第一卷积层、第一特征池化单元和四个特征提取单元，四个特征提取单元分别为第一特征提取单元、第二特征提取单元、第三特征提取单元和第四特征提取单元，其中四个特征提取单元的结构相同，通道数不同；
特征融合模块包括第二特征池化单元和四个特征融合单元，四个特征融合单元分别为第一特征融合单元、第二特征融合单元、第三特征融合单元和第四特征融合单元；
特征锁定模块包括检测单元、解析单元和锁定单元，对融合特征进行检测并判断是否满足解析要求，若满足解析要求则进行车辆特征锁定。
3.如权利要求2所述的一种基于路侧相机的车辆动态称重及多参量检测方法，其特征在于，所述特征提取单元包括五个卷积层和第一聚合层，五个卷积层分别为第二卷积层、第三卷积层、第四卷积层、第五卷积层和第六卷积层，其中第二卷积层包括尺寸为3×3、步长为2的卷积核、ReLU激活函数层和批归一化层，第四卷积层和第五卷积层的尺寸不同，第六卷积层和第三卷积层的结构相同。
4.如权利要求3所述的一种基于路侧相机的车辆动态称重及多参量检测方法，其特征在于，所述第一特征池化单元包括第七卷积层、2个最大池化层和第二聚合层，其中，第七卷积层的卷积核为1x1，步长为1，2个最大池化层包括第一最大池化层和第二最大池化层，第一最大池化层与第二聚合层之间跳跃连接，第一特征池化单元的池化操作为：
将特征提取单元的特征图输入至第七卷积层进行卷积操作，得到特征图y1；
将特征图y1输入至第一最大池化层进行第一次池化操作，得到特征图y2；
将特征图y2输入至第二最大池化层进行第二次池化操作，得到特征图y3；
将特征图y2和特征图y3输入至第二聚合层进行聚合，得到第一特征池化单元的特征图。
5.如权利要求4所述的一种基于路侧相机的车辆动态称重及多参量检测方法，其特征在于，所述第二特征池化单元包括第八卷积层、2个最大池化层和第四聚合层，其中，第八卷积层的卷积核为1x1，步长为1，2个最大池化层包括第三最大池化层和第四最大池化层，第八卷积层和第三聚合层之间跳跃连接，第三最大池化层与第四聚合层之间跳跃连接，第四最大池化层与第三聚合层之间跳跃连接，第二特征池化单元的池化操作为：
将第一特征池化单元的特征图输入至第八卷积层进行卷积操作，得到特征图x1；
将特征图x1输入至第三最大池化层进行第一次池化操作，得到特征图x2；
将特征图x2输入至第四最大池化层进行第二次池化操作，得到特征图x3；
将特征图x1、特征图x2和两个特征图x3输入至第四聚合层进行聚合，得到第二特征池化单元的特征图。
6.如权利要求2所述的一种基于路侧相机的车辆动态称重及多参量检测方法，其特征在于，训练过程包括：
S21、获取监测道路上路侧相机捕获的车辆行驶动态视频序列，将所述车辆行驶动态视频序列进行抽帧得到视频图像序列，将视频图像序列依次输入至交通检测网络；
S22、利用特征提取模块对视频图像序列分别进行特征提取，得到五个不同尺度的特征序列{Fi}，i＝1，2，3，4，5；
S23、利用特征融合模块对五个不同尺度的特征序列{Fi}分别进行特征融合，得到融合特征序列{Pj}，j＝1，2，3，4；
S24、利用特征锁定模块对融合特征序列{Pj}进行解析和检测，检测单元对融合特征序列{Pj}分别进行车辆特征检测，得到车辆特征序列，若车辆特征序列中的车辆特征满足解析模块的解析要求，则对车辆特征进行锁定，得到车辆特征信息。
7.如权利要求6所述的一种基于路侧相机的车辆动态称重及多参量检测方法，其特征在于，步骤S22具体包括：
S221、使用第一卷积层对视频图像序列中的任一视频图像进行处理，得到特征图F1；
S222、将特征图F1输入至第一特征提取单元进行第一次特征提取，得到特征图F2；
S223、将特征图F2输入至第二特征提取单元进行第二次特征提取，得到特征图F2’；
S224、将特征图F2’输入至第一特征池化单元进行池化，得到特征图F3；
S225、将特征图F3输入至第三特征提取单元进行第三次特征提取，得到特征图F4；
S226、将特征图F4输入至第四特征提取单元进行第四次特征提取，得到特征图F5；
S227、重复步骤S221‑S226直至视频图像序列中的所有视频图像均进行特征提取，得到五个不同尺度的特征序列{Fi}。
8.如权利要求7所述的一种基于路侧相机的车辆动态称重及多参量检测方法，其特征在于，步骤S23具体包括：
S231、将特征图序列{F5}中的任一特征图输入至第二特征池化单元进行池化操作，得到P
特征图F；
P
S232、将特征图F4与特征图F输入至第四特征融合单元进行第一次特征融合，得到特征图P1；
S233、将特征图P1与特征图F3输入至第三特征融合单元进行第二次特征融合，得到特征图P2；
S234、将特征图P2与特征图F2输入至第二特征融合单元进行第三次特征融合，得到特征图P3；
S235、将特征图P3与特征图F1输入至第一特征融合单元进行第四次特征融合，得到特征图P4；
S236、重复步骤S231‑S235直至特征图序列{F5}中的所有特征图均进行特征融合，得到融合特征序列{Pj}。
9.如权利要求1所述的一种基于路侧相机的车辆动态称重及多参量检测方法，其特征在于，所述训练还包括：
以LVFL函数作为分类损失函数，以LDFL函数作为回归损失函数，构建交通检测网络的联合损失函数，联合损失函数的计算公式如下：
Loss＝α×LVFL+β×LDFL；
其中，α和β表示各损失函数的权重系数；
分类损失函数的计算公式如下：
其中，p表示预测概率，q表示真实类别标签， 是图像前景背景的损失权重，τ是各样本数据的权重；
回归损失函数的计算公式如下：
LDFL(Si,Si+1)＝‑((gi+1‑g)log(Si)+(g‑gi)log(Si+1))；
其中，Si表示类别的预测概率，g表示真实值，gi和gi+1是真实值g左右两个预测值，i表示边界框的索引。
10.一种基于路侧相机的车辆动态称重及多参量检测系统，其特征在于，采用如权利要求1‑9任一项所述的车辆动态称重及多参量检测方法，包括：
称重参数获取模块，其配置为在监测道路安装车辆动态称重系统，根据车辆动态称重系统获取车辆动态称重参数；
网络构建训练模块，其配置为构建并训练锁定车辆稳定特征的交通检测网络；
车辆特征获取模块，其配置为获取监测道路上路侧相机捕获的车辆行驶实时动态画面，将车辆行驶实时动态画面输入至交通检测网络锁定车辆特征，得到车辆特征信息；
多参数检测模块，其配置为根据车辆特征信息与车辆动态称重参数进行融合，得到车辆参量。