1.基于改进SSD的智能交通车流量管理方法，其特征在于，包括以下步骤：步骤S1，设计基础网络；

步骤S2，采集图片样本，将图片样本分为训练集和测试集，对训练集的图片样本进行初始化；

步骤S3，在初始网络下，对训练集进行神经网络训练，然后使用测试集对训练得到的神经网络进行评估，得到车流量分类检测模型；

步骤S4，通过布设在检测路段的摄像头，采集车流状况图像；

步骤S5，将采集到的车流状况图像通过车流量分类检测模型进行车流量分类分析，得到车流量分类检测信息。

步骤S6，根据车流量分类检测信息按照时间进行分析得到检测路段的车流量高峰时间和最大车流量的车类别；

步骤S7，根据交通信号灯调节规则，在检测路段的车流量高峰时间时，调节检测路段的路口信号灯的切换和倒计时显示，并根据最大车流量的车类别调节交通信号灯显示车通行的时长。

2.根据权利要求1所述的基于改进SSD的智能交通车流量管理方法，其特征在于：步骤S1中，基础网络采用Resenet‑50基础网络，并且将基础网络中从fc6到conv9的卷积核数量减少为原来的一半。

3.根据权利要求1所述的基于改进SSD的智能交通车流量管理方法，其特征在于：步骤S2中，具体包括将采集到的图片样本，将80％的图片样本作为训练集，将20％的图片样本作为测试集，并按照预设的车分类规则对训练集中的图片样本进行目标标记。

4.根据权利要求3所述的基于改进SSD的智能交通车流量管理方法，其特征在于：步骤S3中，将训练集中不含有目标的背景图片样本和含有目标的图片样本按照3:1的比例进行训练，得到车流量分类检测模型，然后使用测试集中的图片样本对车流量分类检测模型的泛化能力进行评估。

5.根据权利要求1所述的基于改进SSD的智能交通车流量管理方法，其特征在于：步骤S4中，还包括通过布设在检测路段的摄像头，采集人流状况图像；

还包括：步骤S8，对人流状况图像进行图像分析，得到人流量；

步骤S9，根据预设交通信号灯调节规则，在车流量高峰时间按照人流量动态调节交通信号灯的切换和倒计时显示。

6.根据权利要求5所述的基于改进SSD的智能交通车流量管理方法，其特征在于：步骤S8还包括对人流状况图像进行图像分析后，当得到的人流量不为零时，计时人流等待时长；

步骤S9还包括根据交通信号灯调节规则，在车流量高峰时间按照人流量和人流等待时长动态调节交通信号灯的切换和倒计时显示。

7.根据权利要求5所述的基于改进SSD的智能交通车流量管理方法，其特征在于：信号灯调节规则为：在车流量高峰时间，人流量达到人流量阈值时，切换交通显示灯，并显示车通过交通信号的倒计时；人流量未达到人流量阈值，人流等待时长达到等待时长阈值时，切换交通显示灯，并显示车通过交通信号的倒计时。

8.根据权利要求1所述的基于改进SSD的智能交通车流量管理方法，其特征在于：还包括：

步骤S10，通过分别布设在主干路上汇入路口和驶离路口的摄像头，分别采集汇入路口和驶离路口的主干路的车流状况图像；

步骤S11，对汇入路口和驶离路口的主干路的车流状况图像分别通过车流量分类检测模型进行车流量分类分析，得到汇入路口和驶离路口的主干路的车流量分类检测信息；

步骤S12，对汇入路口和驶离路口的主干路的车流量分类检测信息进行对比分析，若分析结果为汇入路口的主干路发生拥堵、驶离路口的主干路未发生拥堵时，根据驶离路口相较于主干路上的行驶方向生成提示信息，并将提示信息发送即将经过汇入路口的汽车司机终端。

9.根据权利要求8所述的基于改进SSD的智能交通车流量管理方法，其特征在于：步骤S10，在分析结果为汇入路口的主干路发生拥堵，驶离路口的主干路未发生拥堵时，对驶离路和汇入路相对主干路进行方位判断，并根据方位判断结果生成提示信息。

10.根据权利要求9所述的基于改进SSD的智能交通车流量管理方法，其特征在于：步骤S10中的方位判断结果为驶离路和汇入路相对于主干路的方位为同侧，则生成提示信息。