1.一种基于空地协同的车辆检测方法，其特征在于，该方法具体包括以下步骤：S1：获取无人机和智能车视角下的车辆检测矩形框；

S2：构建空地视角下的目标检测点阵，具体包括：

S21：根据获取的空地视角下的车辆检测矩形框，计算目标检测矩形框中心点的坐标值，并利用中心点表征和替代矩形检测框；

S22：利用所有目标检测框的中心点，分别构建空地视角下同一帧的目标检测点阵a＝{ai,i＝1,2,…,n}和b＝{bj,j＝1,2,…,m}，其中n和m分别是车载和无人机视角下空地目标检测点阵的目标中心点点数；

S3：对空地视角下的目标检测点阵进行配准融合一体化，具体包括：

S31：获取空地视角下同一帧点阵之间的全局结构差异矩阵Gab，该矩阵中第i行第j列元素Gaibj表示ai和bj之间的全局结构差异；

S32：获取空地视角下同一帧点阵之间的局部结构差异矩阵Lab，该矩阵中第i行第j列元素 表示ai和bj之间的局部结构差异；

S33：获取空地视角下同一帧点阵之间，各个检测点所表征的检测目标之间的颜色特征差异矩阵Cab，该矩阵中第i行第j列元素 表示检测目标ai和bj之间的颜色特征差异；最后，对颜色特征差异矩阵和全局、局部结构差异矩阵进行归一化处理；

S34：混合颜色特征差异和点阵的全局、局部结构特征差异，获取空地目标之间的混合特征差异，并定义空地视角下目标检测点阵之间的目标点对应关系矩阵为M，构建基于混合特征的成本函数E(M)；随后最小化成本函数的值，求解出空地点阵目标的对应关系矩阵；

S35：构建空地目标检测点阵之间的配准融合一体化目标函数f(a,b)，然后对目标函数进行正交三角分解，获取仿射系数矩阵和非刚性形变系数矩阵的最小二乘解，从而求解出目标函数的最小值，进而获取变换融合之后的点阵a；

S36：迭代求解目标点对应关系以及对点阵a进行变换融合两个步骤，直至空地目标检测点阵之间的对应点距离均小于阈值T1；

S37：计算空地目标检测点阵中每一对对应目标点之间的中心点，利用所有中心点和空地目标检测点阵中的无对应关系目标点，构建初步融合点阵c；

S38：分别将点阵a和b配准融合至点阵c中，随后重新计算点阵a、b之间的中心点用以构建新的点阵c，迭代此步骤直至点阵a、b之间的对应点距离均小于阈值T2，最后获取空地目标检测融合点阵c；

S4：利用前一帧空地目标检测融合结果滤除当前帧融合点阵的误检测目标点，获取当前帧的空地目标检测融合结果。

2.根据权利要求1所述的基于空地协同的车辆检测方法，其特征在于，步骤S1中，获取无人机和智能车视角下的车辆检测结果，具体包括：S11：采用摄像头采集道路车辆图像数据，摄像头采集形式为固定视频采集，并安装在智能车的车前方以及无人机机身正下方，无人机位于智能车正上方；

S12：将空地视角下采集到的图像数据输入至Faster R‑CNN网络中，分别获取空地视角下的目标检测矩形框。

3.根据权利要求1所述的基于空地协同的车辆检测方法，其特征在于，步骤S34中，构建的基于混合特征的成本函数为：其中， 表示空地目标之间的混合特征差异，Mij是对应关系矩阵中的元素且满足： 和 α表示权重系数，用于调节全局结构差异和颜色特征差异在成本函数中的比重。

4.根据权利要求1所述的基于空地协同的车辆检测方法，其特征在于，步骤S35中，构建空地目标检测点阵之间的配准融合一体化目标函数为：其中，d表示仿射系数矩阵，ω表示非刚性形变系数矩阵，是n维行向量且在二维图像中的定义为： ac是从点阵a中选出来的一组控制点；正规化参数λ用于调节非刚性形变系数矩阵ω，其目的是通过控制ω的大小从而对点阵a进行非刚性或刚性变换。

5.根据权利要求1所述的基于空地协同的车辆检测方法，其特征在于，步骤S4中，利用前一帧空地目标检测融合结果滤除当前帧融合点阵的误检测目标点，具体包括：S41：获取前一帧的目标检测融合结果，构建椭圆模型将所有检测目标包含在内，并将椭圆模型投影至目标检测融合点阵中；

S42：获取目标检测融合点阵中未被椭圆模型包含的离群目标点，计算所有离群目标点和椭圆模型的距离，将距离大于阈值T3的离群目标点滤除；

S43：获取最终的空地目标检测融合点阵c，并将目标点恢复为检测矩形框的形式。