1.一种基于深度学习的交通流参数检测分析方法，其特征在于，包括：获取训练完备的车辆跟踪模型，所述车辆跟踪模型包括目标检测模块和关联匹配模块；

获取交通视频数据；

利用所述目标检测模块对所述交通视频数据进行特征提取，得到连续帧车辆目标检测图，其中，目标检测模块采用ResNet‑34网格结构作为主干网络；

利用所述关联匹配模块对所述连续帧车辆目标检测图进行车辆目标的关联匹配，得到车辆目标跟踪结果，其中，所述关联匹配模块将改进网络DLA‑34应用于所述主干网络；

根据所述车辆目标跟踪结果确定交通流参数分析结果；

其中，利用所述目标检测模块对所述交通视频数据进行特征提取，得到连续帧车辆目标检测图，包括：从所述交通视频数据中按照预设的抽取方法得到连续帧交通状态图像；

利用所述目标检测模块对每帧所述交通状态图像中物体的预设特征信息进行提取，并在每帧所述交通状态图像中生成多个包含车辆目标信息的目标检测框，得到车辆目标检测图；

利用所述关联匹配模块对所述连续帧目标检测图进行车辆目标的关联匹配，得到车辆目标跟踪结果，包括：利用所述关联匹配模块根据当前帧之前的连续帧图像，得到当前帧包含目标预测信息的目标预测框；

通过第一预设匹配算法，对当前帧交通状态图像中的车辆目标信息和所述目标预测信息进行关联匹配计算，得到全局关联结果；

当所述全局关联结果不符合预设的第一关联标准时，进行递进匹配关联，包括：对所述目标检测框中和新出现的目标外的目标预测框，利用第二预设匹配算法进行关联匹配，得到第二匹配结果；

其中，所述第一预设匹配算法为匈牙利算法，所述第二预设匹配算法为：将基于Re‑ID特征计算的余弦距离作为代价矩阵，通过匈牙利算法执行匹配关联；

所述递进匹配关联具体包括：

（1）针对所有的检测框和除了前一帧新出现的轨迹之外的所有跟踪轨迹，基于Re‑ID特征计算余弦距离作为代价矩阵进行匹配；若匹配成功，则表示目标跟踪成功；若匹配失败，进入步骤（2）；

（2）对于（1）中未匹配的检测框和未匹配的且处于跟踪状态的车辆目标，基于IoU度量计算代价矩阵，并通过匈牙利算法执行匹配关联；若匹配成功，则表示目标跟踪成功；若匹配失败，进入步骤（3）；

（3）对于前两次未匹配的检测框和前一帧新初始化的跟踪框，基于IoU度量计算代价矩阵，并通过匈牙利算法执行匹配关联；针对除第一帧外后续帧中出现的任意新轨迹，如果这一新轨迹在第二帧中无检测框与其匹配，直接将其移除，且不保留轨迹信息。

2.根据权利要求1所述的基于深度学习的交通流参数检测分析方法，其特征在于，根据所述车辆目标跟踪结果确定交通流参数分析结果，包括：根据所述车辆目标跟踪结果，确定预设时间内的交通量和车速数据；

根据所述交通量数据，确定交通量的时间分布特性；

根据所述车速数据，确定速度与密度的对应关系图。

3.根据权利要求1所述的基于深度学习的交通流参数检测分析方法，其特征在于，所述获取训练完备的车辆跟踪模型包括：创建初始车辆跟踪模型；

获取车辆跟踪样本跟踪视频，对所述车辆跟踪样本跟踪视频进行图像抽取和标注，得到训练数据集和测试数据集；

根据所述训练数据集和预设的损失函数对所述车辆跟踪模型进行迭代训练，得到训练后的车辆跟踪模型；

利用所述测试数据集对所述训练后的车辆跟踪模型进行验证，得到所述训练完备的车辆跟踪模型。

4.一种基于深度学习的交通流参数检测分析装置，其特征在于，包括：车辆跟踪模型获取模块，用于获取训练完备的车辆跟踪模型，所述车辆跟踪模型包括目标检测模块和关联匹配模块；

视频数据获取模块，用于获取交通视频数据；

特征提取模块，用于利用所述目标检测模块对所述交通视频数据进行特征提取，得到连续帧车辆目标检测图，其中，目标检测模块采用ResNet‑34网格结构作为主干网络；

关联匹配模块，用于利用所述关联匹配模块对所述连续帧车辆目标检测图进行车辆目标的关联匹配，得到车辆目标跟踪结果，其中，所述关联匹配模块将改进网络DLA‑34应用于所述主干网络；

交通流参数分析模块，用于根据所述车辆目标跟踪结果确定交通流参数分析结果；

其中，利用所述目标检测模块对所述交通视频数据进行特征提取，得到连续帧车辆目标检测图，包括：从所述交通视频数据中按照预设的抽取方法得到连续帧交通状态图像；

利用所述目标检测模块对每帧所述交通状态图像中物体的预设特征信息进行提取，并在每帧所述交通状态图像中生成多个包含车辆目标信息的目标检测框，得到车辆目标检测图；

利用所述关联匹配模块对所述连续帧目标检测图进行车辆目标的关联匹配，得到车辆目标跟踪结果，包括：利用所述关联匹配模块根据当前帧之前的连续帧图像，得到当前帧包含目标预测信息的目标预测框；

通过第一预设匹配算法，对当前帧交通状态图像中的车辆目标信息和所述目标预测信息进行关联匹配计算，得到全局关联结果；

当所述全局关联结果不符合预设的第一关联标准时，进行递进匹配关联，包括：对所述目标检测框中和新出现的目标外的目标预测框，利用第二预设匹配算法进行关联匹配，得到第二匹配结果；

其中，所述第一预设匹配算法为匈牙利算法，所述第二预设匹配算法为：将基于Re‑ID特征计算的余弦距离作为代价矩阵，通过匈牙利算法执行匹配关联；

所述递进匹配关联具体包括：

（1）针对所有的检测框和除了前一帧新出现的轨迹之外的所有跟踪轨迹，基于Re‑ID特征计算余弦距离作为代价矩阵进行匹配；若匹配成功，则表示目标跟踪成功；若匹配失败，进入步骤（2）；

（2）对于（1）中未匹配的检测框和未匹配的且处于跟踪状态的车辆目标，基于IoU度量计算代价矩阵，并通过匈牙利算法执行匹配关联；若匹配成功，则表示目标跟踪成功；若匹配失败，进入步骤（3）；

（3）对于前两次未匹配的检测框和前一帧新初始化的跟踪框，基于IoU度量计算代价矩阵，并通过匈牙利算法执行匹配关联；针对除第一帧外后续帧中出现的任意新轨迹，如果这一新轨迹在第二帧中无检测框与其匹配，直接将其移除，且不保留轨迹信息。

5.一种计算机可读存储介质，其特征在于，所述程序介质存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据权利要求1‑3中任一所述的基于深度学习的交通流参数检测分析方法。