1.一种基于深度学习的救援落水汽车的自动导航方法，其特征在于，包括如下步骤：步骤A1：建立汽车落水的图像数据集；

步骤A2：将建立好的数据集按照一定的比例进行划分，从而将整个数据集划分为训练集、验证集和测试集；

步骤A3：利用LabelImg标注工具，对数据集里的图像中的落水汽车在原始图像中的位置进行相应的标注，并且以xml的文件格式存储每张图片生成的标注信息；

步骤A4：将数据集放到YOLO‑v4的深度学习目标检测网络中进行相应的训练，从而能得到最终的检测汽车落水的网络模型；

步骤A5：监控摄像头将拍摄到的图像输入到由步骤A1至A4建立的深度学习网络模型内，从而判断出是否有汽车落水，若检测出有汽车落水，在监控画面中框选出落水的汽车；

步骤A6：救援装置根据图像信息自动导航至汽车落水位置进行救援；

步骤6中自动导航方法步骤如下：

步骤B1：当装在装置上的监控摄像头将周围水域的图像输入进来后，测出输入图像的长度h和宽度w，接着以图像最右上角为顶点坐标（0,0），画出一个长为h和宽为w的矩形框，找到该矩形框的中心坐标点，即（h/2,w/2），此坐标设置为摄像头的正方向，而摄像头的方向则控制着整个装置的方向，若摄像头方向为正方向，则装置前行；

步骤B2：根据步骤A5，当检测到有汽车落水，会给出落水汽车的检测框；记录下此时检测框的坐标信息（x,y,h1,w1）,其中x，y为检测框的顶点坐标，h1为检测框的长度，w1为检测框的宽度；

步骤B3：根据步骤B2得到的检测框坐标信息，找到该检测框的中心点坐标，即（x+(h1/

2),y+(w1/2)），然后将该检测框的中心点坐标与矩形框的中心点坐标做比较，来调整装置前进方向；

步骤B4：在装置前进过程中，会根据矩形框面积和检测框面积的比值来判断装置是否到达落水汽车旁边；

根据步骤B1和步骤B3得到的矩形框的信息与检测框的信息，得到矩形框面积为S = h*w，检测框面积为S1 = h1*w1，接着两个面积做除法运算：T = S1 / S ，其中T为两个面积之比，最后根据如下方法，来判断装置是否到达落水汽车旁边：（1）若T> =0.6，则表示装置已经到达落水汽车身边，此时装置可以展开救援；

（2）若T< 0.6,则表示装置已经还未到达落水汽车身边，此时装置可以仅需前行。

2.根据权利要求1所述的一种基于深度学习的救援落水汽车的自动导航方法，其特征在于，步骤B3中调整方向的方法为：（1）若h/2 = x+(h1/2)，w/2= y+(w1/2)，则判断为此时摄像头正对准着落水汽车，此时装置可以前进；

（2）若h/2 > x+(h1/2)，w/2 = y+(w1/2), 则判定落水汽车在摄像头正方向的左边位置，此时控制摄像头向左转动，直至满足条件（1）装置前行；

（3）若h/2 > x+(h1/2)，w/2< y+(w1/2)，则判定落水汽车在摄像头正方向的左上方位置，此时控制摄像头向左上方转动，直至满足条件（1）装置前行；

（4）若h/2 = x+(h1/2)，w/2< y+(w1/2), 则判定落水汽车在摄像头正方向的上边位置，此时控制摄像头向上转动，直至满足条件（1）装置前行；

（5）若h/2 < x+(h1/2)，w/2< y+(w1/2), 则判定落水汽车在摄像头正方向的右上方位置，此时控制摄像头向右上方转动，直至满足条件（1）装置前行；

（6）若h/2 < x+(h1/2)，w/2 = y+(w1/2), 则判定落水汽车在摄像头正方向的右方位置，此时控制摄像头向右方转动，直至满足条件（1）装置前行；

（6）若h/2 < x+(h1/2)，w/2 > y+(w1/2), 则判定落水汽车在摄像头正方向的右下方位置，此时控制摄像头向右下方转动，直至满足条件（1）装置前行；

（7）若h/2 = x+(h1/2)，w/2 < y+(w1/2), 则判定落水汽车在摄像头正方向的下方位置，此时控制摄像头向下转动，直至满足条件（1）装置前行；

（8）若h/2 > x+(h1/2)，w/2 > y+(w1/2), 则判定落水汽车在摄像头正方向的左下方位置，此时控制摄像头向左下方转动，直至满足条件（1）装置前行。