1.一种基于卷积神经网络的车标定位与识别方法，其特征在于具体步骤如下：步骤1：定义车标种类集合为C＝{Ci|i＝1,…,t}，其中t为车标的总数，并建立相应的车标数据集；

步骤2：构建用于车标分类的卷积神经网络并用步骤1中的车标数据集进行训练，得到卷积神经网络；

步骤3：利用交叉路口的监控摄像头采集RGB图像并对采集到的图像使用中值滤波处理，利用车辆检测跟踪算法提取得到车辆图像I；

步骤4：利用车牌识别算法提取图像I中的车牌矩形区域R＝(x，y，w，h)，其中图像I的左上角为像素坐标原点，(x,y)为车牌矩形区域左上角的坐标，h与w分别为车牌矩形区域的高和宽，单位为像素，并根据公式(2)得到车标的粗定位区域D：其中，ρ1,ρ2为比例系数，(xd,yd)为矩形区域D左上角的坐标，h d与wd分别为矩形区域D的高和宽；

步骤5：筛选出包含车标的进气栅区域，得到车标定位精区域D'；

步骤6：将D'归一化至N*N像素大小，传入步骤2训练所得的卷积神经网络，得到输出向量集合U＝(u1,u2,...,ut)，uk为D'对应车标Ck的概率，k＝1,2,...,10；

步骤7：根据式(14)得到最大的概率uq，q＝1,2,...,10，则D'的车标识别结果为Cq，Cq∈C，完成车标的识别：uq＝max(u1,u2,...,ut)  (14)

其中uq为概率最大的值，q为uq的下标位置。

2.根据权利要求1所述的一种基于卷积神经网络的车标定位与识别方法，其特征在于具体训练过程如下：步骤2.1：步骤构建含有7层的卷积神经网络，7层依次是卷积层Conv1，池化层Pool2，卷积层Conv3，池化层Pool4，全连接层Fc5，全连接层Fc6，分类层Softmax7，其中卷积层Conv1的输入大小为N*N，分类层Softmax7的输出向量大小为t；

步骤2.2：随机初始化卷积神经网络，使用步骤1构建的车标数据集对卷积神经网络进行训练，并根据式(1)计算损失函数L，并根据链式法则逐步计算反向误差，更新各层的权重参数值，直到输出的损失函数L≤θ，完成训练：其中，Yi和 分别为实际输出和真实标签第i个神经元的值，θ为设定的阈值。

3.根据权利要求1所述的一种基于卷积神经网络的车标定位与识别方法，其特征在于步骤5中的筛选出包含车标的进气栅区域，得到车标定位精区域D'，具体过程为：步骤5.1：将矩形区域D从RGB颜色空间转到HSV颜色空间下，并划分为大小相等的Nrow*Ncol个矩形超像素块，Nrow与Ncol分别为超像素块的行总数与列总数，每个超像素块的大小为N＝width*height,并根据公式(3)，(4)，(5)，(6)筛选出有效超像素块集合D*：其中，λ为标准差阈值，Dij为第i行第j列的超像素块， 为Dij的像素标准差， 与 分别为Dij在k通道上的标准差与灰度平均值，k＝1,2,3， 为第k个通道的权重系数， 的取值范围为[0,360]， 取值范围为[0,1]， 取值范围为[0,1]， 表示Dij的第k通道图像，表示 中在坐标点(x,y)处的像素灰度值；

步骤5.2：根据公式(7)对有效样本集合D*进行分类，得到分类集合的集合L＝{Li|i＝1,

2,…,10}，其中Li为第i类的样本集合：

步骤5.3：根据式(8)统计D*中每一行超像素行的分类结果 并根据式(9)和(10)计算每一行是否有效：若Fi为1，则表示第i行为有效行，否则，为无效行：其中，μ1为比例系数，NLimax为第i行中最多一类的数量；

步骤5.4：过滤单个有效行，即该有效行上下都为无效行，得到新的分类结果Fi,并根据公式(11),(12)和(13)得到车标定位精区域D'：imax＝max(i|Fi＝1)  (11)

imin＝min(i|Fi＝1)  (12)