1.一种采用特征处理和IoU策略的车辆实时检测方法，其特征在于，包括：获取包括车辆信息的待检测图像；

将待检测图像输入到采用特征处理和IoU策略生成的车辆检测模型中，输出车辆检测结果；

得到车辆检测模型的方法，包括：

设置特征提取模块，基于Sim_DFC模块进行车辆特征的多尺度提取和融合；

设置边界框优化模块，通过Shape‑IoU与Inner‑IoU结合的策略优化车辆的边界框回归；

设置特征融合模块，基于改进的BiFPN结构进行车辆特征的多尺度融合和传递；

基于特征提取模块、边界框优化模块及特征融合模块确定初始车辆检测模型；

获取样本数据集，基于样本数据集对初始车辆检测模型进行训练，得到车辆检测模型；

设置特征提取模块，包括：

特征提取模块包括三个并行的卷积层，从左至右依次确定为第一卷积层、第二卷积层及第三卷积层；其中，第三卷积层为3×3大小，第一卷积层及第二卷积层为1×1大小；

基于SimAM注意力对第一卷积层确定的特征进行加权处理，从空间及通道两个方面寻找信息焦点，以突出重要特征；

重要特征会经过sigmoid函数输出，将重要特征的重要性以0‑1的权重分布在加权特征图中，并向右侧传递；

在右侧的特征融合部分，经过Conv、Ghost、深度可分离卷积DSConv层层提取的特征与左侧的加权特征图融合后再次送入EMA注意力机制中平衡了通道和空间注意力的学习，增强捕获关键特征的能力；

获取多种处理后的特征，并进行拼接，结合注意力机制的多维度与特征的多尺度，通过第四卷积层生成输出。

2.如权利要求1所述的采用特征处理和IoU策略的车辆实时检测方法，其特征在于，获取包括车辆信息的待检测图像的方式包括：直接获取方式及间接获取方式；

直接获取方式为从预设图像数据库中获取图像或现场图像拍摄；

间接获取方式为从预设视频数据库中获取视频或现场视频拍摄，对获取的视频进行图像分帧处理，得到待检测图像。

3.如权利要求1所述的采用特征处理和IoU策略的车辆实时检测方法，其特征在于，设置边界框优化模块，包括：引入Shape‑IoU，通过关注边界框本身的形状和尺度来计算损失；

引入Inner‑IoU，通过使用辅助边界框和比例因子比来加速回归过程；

结合两者，利用Inner‑IoU的辅助机制来加强Shape‑IoU的学习能力。

4.如权利要求3所述的采用特征处理和IoU策略的车辆实时检测方法，其特征在于，Shape‑IoU与Inner‑IoU结合公式，包括：shape shape

LossShape‑IoU＝1‑IoU+distance +0.5×Ωgt

其中，GT框和边界框表示为b 和b；IoU表示二者的交并比；c表示边界框和GT框之间的gt gt最小检测框的斜边长度；w 、h 表示GT框的宽度和高度；ww和hh是引入的宽度和高度的权shape重系数，其受到边界框形状和尺寸影响；scale为比例因子，该参数由人为设定；Ω 表示shape尺度惩罚；distance 表示形状损失； 和 是GT框的中心点坐标，而xc和yc表示锚框的中心点坐标；w、h表示锚框的宽度和高度；将w、h带入wt中的t，得到ww和wh，ww和wh为宽高权重之差的比例；LossShape‑IoU表示Shape‑IoU损失；

gt gt 2 2

union＝(w ×h )×(ratio) +(w×h)×(ratio) ‑inter其中， 分别表示GT框的第一计算参数、第二计算参数、第三计算参数及第四计算参数；bl、br、bt、bb分别表示边界框的第一计算参数、第二计算参数、第三计算参数及第四计算参数；ratio对应尺度变换因子；inter表示GT框与边界框的筛选参数；

inner

union表示GT框与边界框的差异参数；IoU 表示Inner‑IoU损失；

将Shape‑IoU与Inner‑IoU结合，得到结合损失函数LossInner‑ShapeIoU；

inner

LossInner‑ShapeIoU＝LossShape‑IoU+IoU‑IoU确定边界框优化模块包括的损失函数。

5.如权利要求1所述的采用特征处理和IoU策略的车辆实时检测方法，其特征在于，所述特征融合模块，包括：基于BiFPN模块替换了原有的ELAN‑T模块，BiFPN模块对原有的ELAN‑T模块中的横向边缘侧去除了融合贡献小于预设阈值的模块节点；BiFPN模块斜向创造了一条通路来实现简化的双向融合网络；BiFPN模块对于非边缘的中间层，添加了一条边，从原来的输入节点到输出节点上，对于该传递中的输出节点多语义信息同时结合。

6.如权利要求1所述的采用特征处理和IoU策略的车辆实时检测方法，其特征在于，样本数据集为UA‑DERTAC数据集以及Visdrone2019数据集。