1.一种基于卷积神经网络的车标智能检测方法，其特征在于，所述方法包括以下步骤：步骤S1、给定车标检测训练集Itrain＝{(ai,bi)|i∈[1,M]}以及车标检测测试集Itest＝{(aidx_i,bidx_i)|idx_i∈[1,H]}；其中，ai表示第i张包含车标信息的输入图像，其大小为(3×K×K),(3×K×K)中3表示颜色通道数量，对应的颜色通道d∈{红,绿,蓝}，(3×K×K)中K表示单张图片的宽或高的尺寸；bi表示第i张输入图像中对应的车标标签，且第i个车标标签中包含第i张输入图像中所有的车标的坐标位置和对应类别的标注信息；bi＝{carobjj＝(txj,tyj,twj,thj,clsj)|j∈N,1≤j≤Bnum}；Bnum为车标标签bi中车标对象的数量；

carobjj表示车标标签bi中第j个车标对象；txj表示carobjj中心的横坐标值，tyj表示carobjj中心的纵坐标的值，且txj∈(0,K),tyj∈(0,K)；twj表示carobjj的宽；thj表示carobjj的高，且twj∈(0,K],thj∈(0,K]；clsj表示其类别索引值，且clsj∈[0,C‑1]，C为类别数量；M表示所述车标检测训练集Itrain的样本数量；H表示所述车标检测测试集Itest的样本数量；

步骤S2、基于YOLOv3改进的深度卷积神经网络构建出车标检测模型D，以及构建用于所述车标检测模型D训练过程中的随机梯度下降SGD优化器，且进一步对所述车标检测模型D及所述随机梯度下降SGD优化器的参数均进行初始化；其中，所述车标检测模型D的参数包括迭代次数q、网络参数θq和最优网络参数θbest；q＝0,…,n，n为大于1的正整数；

l表示对应的网络层数的索引，W表示对应卷积层的参数，O表示对应的偏置值，BN表示BN层的可学习参数， 表示q次迭代训练中对应第l层的卷积层的参数， 表示q次迭代训练中第l层对应的偏置值， 表示q次迭代训练中第l层BN层的可学习参数；迭代次数q初始为0；网络参数θq初始为θ0，最优网络参数θbest初始为θ0；所述随机梯度下降SGD优化器的参数初始化包括初始化学习率、动量和权重衰减系数；

具体过程为，将构建的车标检测模型D对输入的输入图像进行特征提取，根据提取的特征推断计算，并进行车标的定位和识别，通过损失函数计算得到误差梯度，进行反向传播，使得不断调整车标检测模型中的参数，最终生成的车标检测模型D能够有效地提取车标特征；

车标检测模型D由15个残差密集连接模块、4个残差模块、2个长跳跃连接以及若干个卷积层组成,总共包括62层卷积层、5层最大值池化层、2层上采样层、19层残差连接操作层，17层拼接操作层以及3层YOLO层；其中，每层卷积层后都包含BN层和LeakyReLU激活函数；每层YOLO层都会根据输入的特征图进行计算，即计算出该特征图中车标对象的边界框，边界框包含置信度，中心坐标bx和by，宽度bw和高度bh以及C个车标的类别置信度；其中，置信度表示该边界框中包含车标对象的确定性，且置信度confidence∈[0,1]；中心坐标bx和by、宽度bw和高度bh分别表示对应该边界框的中心坐标(bx,by),以及其宽度bw和高度bh；类别置信度表示检测该边界框中对各个车标类别的确定性；

步骤S3、获取当前迭代次数q，将所述车标检测训练集Itrain＝{(ai,bi)|i∈[1,M]}中的输入图像作为所述车标检测模型D的输入并通过网络逐层计算，得到对应车标检测训练集的车标检测结果Ytrain＝{yi|i∈[1,M]}；其中，yi表示所述车标检测模型D对所述车标检测训练集Itrain的第i张输入图像的检测结果；

步骤S4、根据预设的二分类交叉熵损失函数和GIoU损失函数，计算所述车标检测训练集的车标检测结果Ytrain和所述车标检测训练集Itrain中的车标标签之间的误差，得出损失值，并利用得出的损失值进行反向传播，对所述车标检测模型D的网络参数θq进行调整；

步骤S5、利用所述车标检测测试集Itest对所述车标检测模型D进行评估，若所述车标检测模型D的网络参数θq的测试mAP值最高，则令θbest＝θq；同时在参数更新结束阶段，判断训练迭代次数q是否已达到最大迭代次数n，若已经达到最大迭代次数n，则训练阶段结束，进入下一步骤S6；反之，将跳转至步骤S3进行循环迭代训练，并令q＝q+1；

步骤S6、得到最终的车标检测模型D的最优网络参数θbest，并根据所得到的最终的最优网络参数θbest，更新所述车标检测模型D；

步骤S7、获取待测包含车标信息的输入图像，且将所述待测包含车标信息的输入图像作为更新后的车标检测模型D的输入并通过网络逐层计算，得到所述待测包含车标信息的输入图像的车标检测结果；

残差密集连接模块连接方式如下所示：

xl＝Hl([x0,x1,…,xl‑1])+xl‑1通过对第l层之前的所有特征进行拼接作为输入，并将第l‑1层的特征再和第l层的输入进行逐个元素相加，得到第l层的输出结果；该网络用于在预防模型退化的同时，更加高效的利用浅层和深层的特征图，提高计算效率和模型的鲁棒性；连接方式是，在密集连接连接多层的同时，不仅包含了对之前多层的Concat操作，还包含了上一层和下一层的逐个元素相加的计算，用于对浅层信息进行利用和加强指数集成。

2.如权利要求1所述的基于卷积神经网络的车标智能检测方法，其特征在于，在所述步骤S3中，将所述车标检测训练集Itrain中第i张输入图像ai输入到所述车标检测模型D中经过网络的逐层计算，得到的车标检测结果包括大小分别为(K/8)*(K/8)*[B*(5+C)]、(K/16)*(K/16)*[B*(5+C)]和(K/32)*(K/32)*[B*(5+C)]的3个特征图；其中，K/8、K/16和K/32分别表示输入的高或宽为K，经过计算将其缩放为原来的1/8、1/16和1/32；[B*(5+C)]表示每一个特征图的通道数量，B表示对于每一个特征图的网格单元grid所要检测的边界框的数量，(5+C)表示每一个边界框所要检测的参数数量，具体参数包括每一个边界框的置信度、中心坐标bx和by、宽度bw和高度bh，C表示车标的类别数量。

3.如权利要求2所述的基于卷积神经网络的车标智能检测方法，其特征在于，在所述步骤S4中，得出的损失值为分别对边界框的置信度、中心坐标bx和by、对应的宽度bw和高度bh以及C个表示车标的类别置信度进行损失计算而得到的值。

4.如权利要求3所述的基于卷积神经网络的车标智能检测方法，其特征在于，在所述步骤S4中，利用得出的损失值进行反向传播，对所述车标检测模型D的网络参数θq进行调整的具体步骤为：

根据预设的二分类交叉熵损失函数和GIoU损失函数，利用链式求导法则，对所述车标检测模型D中的网络参数θq进行梯度的计算，并通过随机梯度下降法，将对应的网络参数θq进行更新；其中，

更新网络参数θq的公式如下：

其中， 分别表示第q次迭代的模型网络参数中，对应的第l层的卷积层的参数、偏置向量的参数、BN层的参数；η表示超参数中的学习率为0.00128；

和 分别表示对应卷积层的参数、偏置向量的参数和BN层的参数的梯度，通过链式求导法则求得。

5.如权利要求4所述的基于卷积神经网络的车标智能检测方法，其特征在于，在所述步骤S5中，利用所述车标检测测试集Itest对所述车标检测模型D进行评估，若所述车标检测模型D的网络参数θq的测试mAP值最高，则令θbest＝θq的步骤具体包括：将所述车标检测测试集Itest中的输入图像作为所述车标检测模型D的输入并通过网络逐层计算，得到对应的车标检测测试集的检测结果Ytest＝{yidx_i|idx_i∈[1,H]}；

使用非极大值抑制过滤处理车标检测测试集的检测结果Ytest＝{yidx_i|idx_i∈[1,H]}，使得车标检测测试集的检测结果Ytest＝{yidx_i|idx_i∈[1,H]}；最后，所有边界框置信度小于0.5的边界框将被过滤；并且，所有相互重叠的边界框，即相互之间IOU大于0.5的边界框，将只选出置信度最高的边界框，检测置信度最高的检测的边界框；

将过滤后的Ytest＝{yidx_i|idx_i∈[1,H]}的每一个检测结果yidx_i整理成和车标检测测试集Itest＝{(aidx_i,bidx_i)|idx_i∈[1,H]}的对应的车标标签bidx_i相同的集合形式，得到Yout＝{preidx_i|idx_i∈[1,H]}；其中，preidx_i＝{out_carobjidx＝(otxidx,otyidx,otwidx,othidx,oclsidx)|idx∈N,1≤idx≤Pnum}，preidx_i表示对第idx_i张Itest中的输入图像的对应检测结果，Pnum表示preidx_i中检测的车标对象的数量；

以所述车标检测测试集Itest中对应车标标签作为基准，将Yout和所述车标检测测试集Itest中的车标标签进行以交并比为0.5作为阈值来计算mAP值；

定义当前车标检测模型D的网络参数θq的mAP为mAPq，并定义最优模型网络参数θbest的准确率为mAPbest，若mAPq>mAPbest,则令θbest＝θq。