1.一种基于Hydra CNN的信号灯智能控制方法，其特征在于：包括以下步骤：步骤1，摄像头每m秒拍摄一次车流图像，并将车流图像发送至服务器端，所述车流图像包括当前路口的车流图像和相邻路口涌入当前路口的车流图像；

步骤2，服务器基于Hydra CNN模型统计车流图像中当前路口各方向的车辆数量，并统计相邻路口涌入当前路口各方向的涌入流量；

步骤3，服务器基于线性回归模型，根据当前路口各方向的车辆数量和涌入流量，预测绿灯延时时长T，并返回当前路口的绿灯总时长GT，GT＝Gmin+T，其中，Gmin为最短绿灯时长；

所述步骤2中基于Hydra CNN模型统计车辆数量的算法，包括：步骤21，以当前路口的车流图像为原图；

步骤22，基于Hydra CNN模型，以原图的图像中心为基准，从中提取不同比例的图像补丁；

步骤23，通过非线性回归函数模型返回图像补丁的密度图，并将返回的图像补丁的密度图汇总成与原图对应的密度图；

步骤24，不断迭代损失函数，降低模型生成的密度图与训练集图像的密度图之间的差距；

步骤25，对密度图积分，获得原图中车辆数量。

2.如权利要求1所述的信号灯智能控制方法，其特征在于：所述步骤3中的基于线性回归模型的绿灯延时时长T的公式为：其中，w1、w2、w3、w4和w5为特征参数；vh和vz为横向车道和纵向车道的平均涌入流量，和 为横向车道和纵向车道的平均车辆数量。

3.如权利要求2所述的信号灯智能控制方法，其特征在于：所述平均涌入流量和平均车辆数量的公式为：其中，k为一个红灯时长内拍摄次数；Ni，z为纵向车道上的总车辆数；

分别为第i次交叉路口纵向车道上四个摄像头拍摄的车辆数；Ni+1，z-Ni，z为纵向车道上第i+1次和第i次拍摄间的车辆差值；Ni，h为横向车道上总车辆数； 分别为第i次交叉路口横向车道上四个摄像头拍摄的车辆数；Ni+1，h-Ni，h为横向车道上第i+1次和第i次拍摄间的车辆差值。

4.如权利要求2所述的信号灯智能控制方法，其特征在于：w1、w2、w3、w4和w5通过训练获得，所述训练包括:获取训练集，所述训练集以横向平均涌入流量vh和纵向平均涌入流量vz，及横向平均车辆数量 和纵向平均车辆数量 作为模型的输入特征，并将交叉路口的平均车流通过时长Tavg作为标签；

获取回归模式的特征参数，在得到的训练集上训练线性回归模型，将Tavg代入T，获得模型中各特征参数w1、w2、w3、w4和w5。

5.一种基于Hydra CNN的信号灯智能控制系统，其特征在于：应用如权利要求1-4任一项所述的信号灯智能控制方法，包括设置于交叉路口的摄像头、信号灯和用于控制摄像头和信号灯的服务器；

所述摄像头用于拍摄交叉路口的车流图像，并发送给服务器；

所述服务器用于部署Hydra CNN模型和线性回归模型，所述Hydra CNN模型用于分析车流图像以获得当前路口的车辆数量和相邻路口涌入当前路口的车辆流量；所述线性回归模型根据当前路口的车辆数量和相邻路口涌入当前路口的车辆流量，分析得到当前路口的车辆通行所需的绿灯总时长，并对信号灯进行控制。