1.一种基于改进YOLOv3的车辆检测方法，其特征在于，包括以下步骤：

1)修改卷积神经网络结构，在Darknet层与三个yolo层之间设计三个平行分支的网络，即YOLO‑TN网络，三个平行分支网络都加入具有不同膨胀率(dilation rate)的空洞卷积(dilated convolution)，使得三个平行分支网络具有不同的感受野(receptive field)，并共享三个平行分支网络的参数；

2)构建车辆检测数据集，并对车辆检测数据集中的车辆位置信息进行标注；

3)定义损失函数，通过K‑means聚类方法生成锚框(anchor box)，训练基于YOLO‑TN和YOLOv3的车辆检测模型；

4)基于BN(Batch Normalization)层中的γ系数对YOLO‑TN网络进行模型剪枝，压缩YOLO‑TN网络；

5)利用训练好的车辆检测模型对车辆进行检测，对比两者的检测结果。

2.如权利要求1所述的基于改进YOLOv3的车辆检测方法，其特征在于，所述步骤(1)中的YOLO‑TN网络包含大小为1×1的卷积层、大小为3×3的卷积层、BN(Batch Normalization)层、上采样层、路由层(route)、shortcut层、yolo层，各层含义及作用如下：卷积层：用于提取图像的特征，参数为Wi，i由卷积的大小决定；

BN层：用于加速训练过程，BN层对卷积层传递来的参数Wi进行归一化处理，引入两个可学习的参数γ和β，重新分布归一化的参数；

上采样层：用于扩大特征图，提高分辨率；

路由层：将低层卷积层的输出与上采样层的输出合并；

shortcut层：一种跨层连接，将输入层与输出层一起作为最终的输出层；

yolo层：网络的最后一层，输出三个尺度的特征图，通过K‑means方法聚类得到的锚框(anchor box)，对边界框进行回归，得到最终的预测框。

3.如权利要求2所述的基于改进YOLOv3的车辆检测方法，其特征在于，所述BN层的归一化处理过程如下：

1.1)给定一批训练数据b＝{X1,X2,……,Xm}，求数据均值和方差，公式如下：其中，μb是数据均值， 是数据方差，m是数据大小；

1.2)对数据进行归一化处理，公式如下：

其中，ε是一个极小值，防止分母为零时计算出错；

1.3)对归一化的数据进行变换重构，公式如下：

其中，γ和β为待学习的参数；

1.4)为了恢复数据中原来的特征分布，γ和β按如下公式进行计算：β＝ub。

4.如权利要求1所述的基于改进YOLOv3的车辆检测方法，其特征在于，所述步骤(2)中构建的车辆检测数据集包括训练集、测试集、验证集，所述训练集用于训练YOLO‑TN和YOLOv3网络模型，所述测试集用于测试训练得到的模型的精度，验证集主要用于评估训练得到的模型的泛化能力；所述对车辆位置信息进行标注，获得标注框(ground truth)的中心点坐标 宽和高 以及该标注框的标签，标记为Car。

5.如权利要求1所述的基于改进YOLOv3的车辆检测方法，其特征在于，所述步骤(3)中的损失函数定义如下：边界框的位置信息损失计算公式如下：

其中λcoord＝5，用于增大含有目标的grid cell的损失权重； 表示第i个grid cell中的第j个边界框中是否存在待检测的车辆，如果存在则取1，否则取0，即不计算边界框位置损失；x，y，w，h为预测的边界框的位置， 为标注框的坐标信息； 为一个权重系数，用于加大对小目标的损失；

置信度损失包括含有目标和不含目标的损失，计算公式如下：

上式左边为grid cell中存在车辆时的置信度损失，计算3个边界框与标注框(ground truth)之间的交并比即IOU大小，选择其中的最大值Ci进行置信度损失的计算；上式右边为gridcell中不存在车辆时的置信度损失，其中λnoobj＝0.5，用于减小不含有目标的grid cell的损失权重， 表示第i个grid cell中的第j个边界框中是否存在待检测的车辆，如果存在则取0，即不计算该损失，否则取1；

目标的分类损失计算公式如下：

当目标属于汽车该类别时 为1，否则为0，pi(c)为当前目标属于汽车的概率。

6.如权利要求1所述的基于改进YOLOv3的车辆检测方法，其特征在于，所述步骤(3)中通过K‑means聚类生成锚框的方法包括如下步骤：

3.1)观察车辆检测数据集中标注框坐标信息分布，选择k个聚类中心(Wi,Hi)，i∈{1,

2,……,k}，其中，Wi和Hi为锚框的宽和高；

3.2)计算每个标注框和每个聚类中心的距离d，计算公式如下：其中，IOU表示交并比，anchor表示锚框，truth表示标注框，计算公式如下：其中，分子表示锚框和标注框相交的面积大小，分母表示锚框和标注框相并的面积大小，当IOU值最大时，即标注框和锚框匹配得最好，此时d最小，将标注框分配给该聚类中心；

3.3)将所有标注框分配完毕后，分别计算每个聚类中心所属的标注框宽和高的平均值，作为新的聚类中心；

3.4)重复步骤3.2)、3.3)n次，直到dn‑dn‑1趋于0时，输出聚类结果。

7.如权利要求1所述的基于改进YOLOv3的车辆检测方法，其特征在于，步骤(3)中所述的车辆检测模型的训练过程步骤如下：

3.a)采用在ImageNet数据集上预先训练好的Darknet模型参数作为YOLO‑TN和YOLOv3的初始化权重以减少训练时间；

3.b)将训练集中的图片分辨率调整为416×416，分别输入到YOLO‑TN和YOLOv3网络中，图片在网络层中经过卷积层、BN层、上采样层、路由层、shortcut层处理后，传递给yolo层；

3.c)yolo层中特征图被划分成S×S个网格(grid cell)，利用K‑means聚类得到的锚框，得到锚框相对于标注框的偏移值：tx，ty，tw，th，具体计算公式如下：tx＝Gx‑Cx

ty＝Gy‑Cy

其中，Gx和Gy表示特征图中标注框的坐标，Gw和Gh表示特征图中标注框的宽和高，Cx和Cy表示特征图中grid cell的左上角坐标，Pw和Ph是锚框映射到特征图上的宽和高；

3.d)训练集中的图片经过步骤3.b)和3.c)处理后，最终得到包括卷积层、BN层以及偏移值：tx，ty，tw，th这些待学习的参数。

8.如权利要求1所述的基于改进YOLOv3的车辆检测方法，其特征在于，所述步骤(4)中的模型剪枝基于BN层的γ系数进行，方法如下：对所有BN层中的γ系数按从小到大的规则进行排序，设定阈值为0.3，舍去前30％的γ值，即舍弃这些γ值所在的BN层以及与该BN层相关联的卷积层，最终得到剪枝后的模型。

9.如权利要求1所述的基于改进YOLOv3的车辆检测方法，其特征在于，所述步骤(5)中车辆检测过程包括以下步骤：

5.1)将测试集中的图片大小调整为416×416，分别输入到训练好的YOLOv3和YOLO‑TN车辆检测模型中；

5.2)车辆检测模型对输入的图片进行特征提取，经过yolo层时，根据车辆检测模型所学习到的锚框相对于标注框的偏移值，得到所预测的边界框的位置信息，计算公式如下：bx＝(σ(tx)+Cx)/W

by＝(σ(ty)+Cy)/H

其中，W和H是输入到yolo层中特征图的大小，bx，by，bw，bh即是最终输出的边界框，由于tw和th目前目前存在于对数空间，为了输出真实值，需要将其映射回指数空间，即转换为和

5.3)yolo层特征图中每个grid cell都分配三个锚框，通过非极大值抑制(non‑maximum suppression，NMS)的方法，过滤掉冗余的窗口，得到最优检测框。

10.如权利要求9所述的基于改进YOLOv3的车辆检测方法，其特征在于，所述步骤5.3得到最优检测框的具体步骤如下：

5.3.1)计算出所有锚框中置信度得分最高的一个，记为A；

5.3.2)设定阈值为0.5，计算剩下的锚框与A的IOU值，若IOU≥0.5，则舍弃该框；

5.3.3)保留IOU＜0.5的锚框，重复5.3.1)和5.3.2)直到遍历完所有的锚框。