1.一种闯红灯车辆的非现场执法图片智能审核系统，其特征在于，所述系统包括对接模块、标注模块、图片预处理模块、深度学习模块、车辆定位模块以及违法智审模块，其中：对接模块：通过指定数据接口接入非现场执法系统，从非现场执法系统中提取车辆的闯红灯违法信息；

标注模块：从对接模块获取所述闯红灯违法信息，通过交互界面向使用者提供选择标注工具，并根据使用者在所述闯红灯违法信息对应的原始合成图片中的通过所述选择标注工具的标注情况，输出指定抓拍设备对应抓拍图片的属性信息；

图片预处理模块：从对接模块获取抓拍车辆闯红灯的原始合成图片，并将所述原始合成图片基于GA/T496-2014要求拆分成第一图片P1、第二图片P2和第三图片P3；

深度学习模块：基于目标车辆的所述属性信息和深度学习算法进行所述P1、P2和P3中机动车的轮廓识别，基于所述P1、P2和P3进行目标信号灯的灯色识别和相位识别；并根据灯色识别和相位识别结果判断所述目标车辆的违法检测记录是否可进行智能审核，若无法审核，则将所述识别结果传输至违法智审模块；否则，则将所述识别结果传送至车辆定位模块进一步处理；

车辆定位模块：接入对接模块的所述闯红灯违法信息，在P1中识别目标车辆位置并进行轮廓标记，并采用目标追踪算法CSRT在P2和P3中对目标车辆进行轮廓定位标记；

违法智审模块：接入深度学习模块的灯色和相位识别结果，以及车辆定位模块目标车辆的轮廓标记、图片预处理模块拆分得到的P1、P2和P3，对非现场执法系统中的违法检测记录进行审核，判断目标车辆是否发生闯红灯行为。

2.如权利要求1所述的闯红灯车辆的非现场执法图片智能审核系统，其特征在于，所述闯红灯违法信息包括所述原始合成图片，以及车辆号牌号码数据；

所述交互界面设置于计算机、手机、IPAD等终端；

所述选择标注工具包括矩形框标注、多边形框标注和多线段标注。

3.如权利要求1所述的闯红灯车辆的非现场执法图片智能审核系统，其特征在于，所述属性信息包括静态目标的属性信息和动态目标的属性信息，其中，所述静态目标包括进出口道停止线、左转边界线、右转边界线以及信号灯，所述进出口道停止线、左转边界线、右转边界线的属性信息为多段线类型及其位置信息，所述信号灯的属性信息为矩形框类型及其灯头位置信息，所述矩形框类型包括左转箭头灯、直行箭头灯、右转箭头灯、左转圆饼灯、直行圆饼灯、直左圆饼灯、掉头箭头灯、公交专用灯；所述动态目标为所述原始合成图片中的车辆，通过所述选择标注工具标记车辆轮廓，输出车辆属性数据。

4.如权利要求3所述的闯红灯车辆的非现场执法图片智能审核系统，其特征在于，图片预处理模块还包括：基于所述静态目标的属性信息，在所述P1、P2和P3中进行所述静态目标的定位。

5.如权利要求4所述的闯红灯车辆的非现场执法图片智能审核系统，其特征在于，深度学习模块中，基于所述车辆属性数据及深度学习算法训练得到车辆识别模型；以及

基于所述信号灯的属性信息训练得到信号灯灯色、相位识别模型。

6.一种闯红灯车辆的非现场执法图片智能审核方法，应用于权利要求1～5任一项所述系统，其特征在于，所述方法采用深度学习方法识别图片中的动态目标，并结合目标跟踪算法实现目标车辆的定位与轨迹重构，实现智能审核闯红灯行为，具体包括步骤：S1、由接入模块接入非现场执法系统采集车辆闯红灯违法信息，并将所述原始合成图片根据GA/T496-2014要求拆分得到P1、P2和P3；

S2、由深度学习模块从P1、P2和P3中分别识别出闯红灯行为待审核的目标车辆所在位置并进行车辆的轮廓定位标记；

S3、分别确定P1、P2和P3中所述轮廓定位标记的质心坐标，并在P1中根据图片顺序连接三个质心，生成目标车辆的行驶轨迹；

S4、基于所述进口道停止线及左转界线、右转界线位置信息，在P1中标记目标车辆的停止线和边界线位置；

S5、检测所述行驶轨迹和进口道停止线之间是否存在交叉点，若存在，则进入步骤S6；

否则，检测P1的质心坐标是否沿目标车辆前进方向驶过所述进口道停止线；若是，则进入步骤S6；若不是，则判定目标车辆不存在闯红灯违法，并结束流程；

S6、根据所述行驶轨迹与所述左转界线、右转界线位置信息的位置关系，判定并得到目标车辆在进口道的转向行为；

S7、基于所述灯头位置信息采用深度学习算法对P1和P3中目标车辆的信号灯及其相位信息进行识别，若相位一致，则进入步骤S8；否则，无法判断目标车辆对应的闯红灯违法记录的有效性，并结束流程；

S8、基于所述转向行为的判定结果及所述信号灯及其相位信息进行识别的识别结果，若所述判定结果与所述识别结果一致，则判断目标车辆不存在闯红灯行为；否则判定目标车辆的闯红灯违法记录有效。

7.如权利要求6所述的闯红灯车辆的非现场执法图片智能审核方法，其特征在于，步骤S2包括：S21、对于P1，采用深度学习算法检测出P1中的所有车辆并对车辆所在的图片区域进行轮廓标记定位；从所述违法信息中提取车辆号牌号码数据，并根据车牌识别算法，确定P1中相应的目标车辆号牌所在位置，进行标记定位；结合车辆区域与目标车辆号牌位置，确定P1中的目标车辆位置，实现待审核违法车辆的初始位置轮廓的定位标记；

S22、对P2、P3采用深度学习算法检测出图中的所有车辆，并对车辆所在的图片区域进行轮廓标记定位；基于初始位置轮廓的定位标记确定目标车辆的初始位置；采用目标追踪算法CSRT，在P2、P3中对获得目标车辆的最终定位；结合车辆区域与目标跟踪结果，确定目标车辆在P2、P3中的位置，对其轮廓进行定位标记。

8.如权利要求6所述的闯红灯车辆的非现场执法图片智能审核方法，其特征在于，所述转向行为包括左转、直行和右转。

9.如权利要求8所述的闯红灯车辆的非现场执法图片智能审核方法，其特征在于，步骤S6中：若所述行驶轨迹与所述左转界线存在一个交点，则判断目标车辆左转；若所述行驶轨迹与所述右转界线存在一个交点，则判断目标车辆右转；若所述行驶轨迹与所述右转界线、左转界线不存在交点，则判定目标车辆直行。