1.一种基于视频分析的车辆测速方法，其特征在于包括如下步骤：

步骤1：搭建摄像机于道路上方，摄像机安装高度为Hc，摄像机光心与竖直线夹角为θ，在车辆测速区域标定测速起止线，摄像机近端标线距离为Hc*tanθ，车辆测速区域的长度为l；

步骤2：使用深度卷积神经网络对车辆测速区域进行车辆目标检测，判断车辆是否驶入车辆测速区域；

步骤3：车辆驶入检测区域后开始进行车辆跟踪检测，将检测到的目标初始化并创建新的跟踪器，标注每个检测目标的标识，记录目标所属类别C和当前的时间ts，记录目标车辆的起始中心点(xs,ys)以及包围框的长宽值(ls,ws)；并获取车辆的实时定位；

步骤4：车辆驶出车辆测速区域，记录当前的时间te，记录目标车辆的最终中心点(xe,ye)以及当前包围框的长宽值(le,we)；

步骤5：计算出目标车辆的时间差Δt＝te-ts，中心点偏移量Δx＝xe-xs,Δy＝ye-ys，长度和宽度偏移量分别为Δl＝le-ls,Δw＝we-ws；

步骤6：使用深度神经网络拟合车辆位移和车辆速度的非线性函数。

2.根据权利要求1所述的基于视频分析的车辆测速方法，其特征在于步骤3中，当车辆驶入检测区域后开始进行车辆跟踪检测，获取车辆的实时定位，具体包括如下步骤：步骤3.1：使用深度卷积神经网络对当前帧中所有目标进行检测，获取帧内的所有车辆的目标定位框；

步骤3.2：将每个检测到的目标初始化并创建新的跟踪器，标注每个检测目标的标识，记录目标所属类别C和当前的时间ts，记录目标车辆的起始中心点(xs,ys)及包围框的长宽值(ls,ws)；

步骤3.3：使用卡尔曼滤波器得到前一帧图像检测出的目标产生的状态预测和协方差预测，求跟踪器所有目标状态与当前帧检测的目标框的IOU阈值，通过匈牙利算法，得到IOU阈值最大的唯一匹配，去掉匹配值小于IOU阈值的匹配对；

步骤3.4：用本帧中匹配到的目标检测框去更新卡尔曼跟踪器，计算卡尔曼增益，状态更新和协方差更新，并将状态更新值输出作为当前帧的跟踪框，对于本帧中没有匹配到的目标重新初始化跟踪器。

3.根据权利要求1所述的基于视频分析的车辆测速方法，其特征在于步骤6中，使用深度神经网络拟合车辆位移和车辆速度的非线性函数，具体包括如下步骤：步骤6.1：深度神经网络模型的输入层包含目标车辆所属的车辆类别、目标车辆驶入和驶出车辆测速区的时间差、驶入测速区时目标车辆的中心点和驶入测速区时中心点偏移量、驶入测速区时目标车辆的长宽以及驶出时的长宽偏移量，使用真实速度的1/1000作为预测的真实值；

步骤6.2：深度神经网络模型隐含层包含3层神经网络，分别包含16、8、4个神经节点，每个节点进行批归一化，使用Sigmoid函数激活得到网络输出节点的预测值，使用均方误差作为损失函数；

其中，n表示训练批次总数，i表示训练批次的顺序，yi表示训练批次中第i个数据的真实值，y'i表示训练批次中第i个数据的预测值，y表示训练批次数据的真实值，y’表示网络输出节点的预测值；

步骤6.3：通过神经网络的预测值计算车辆速度；

v'＝1000×y'           (2)

其中，y’表示网络输出节点的预测值，v’表示预测的车辆速度。