1.一种融合滑动窗口与Faster R-CNN卷积神经网络的车标识别方法，其特征在于具体步骤如下：步骤1：定义车标种类集合为C＝{Ci|i＝1,…,t}，其中t为车标的总数，并建立相应的含ground truth的数据集；

步骤2：构建含有10层的卷积神经网络，10层依次是卷积层Conv1，池化层Pool2，卷积层Conv3，池化层Pool4，卷积层Conv5，卷积层Conv6，卷积层Conv7，全连接层Fc8，全连接层Fc9，分类层Softmax及回归层bbox_prediction；为了生成区域建议窗口，在该网络卷积神经网络卷积层Conv7输出的特征图上滑动一个小网络，这个网络全连接到全连接层Fc8，对RPN区域建议网络进行初始化，设定建议窗口的滑动步长，滑动窗口尺寸等初始化信息，其中全连接层Fc8的输入特征大小为N*N*M，M为卷积层Conv7的输出特征图的维度，N为归一化后的特征图边长，单位为像素，分类层Softmax的输出向量大小为t+1，回归层bbox_prediction的输出向量大小为4*(t+1)；

步骤3：使用步骤1中的车标数据集对卷积神经网络进行训练，得到训练好的卷积神经网络：步骤4：利用训练好的卷积神经网络对输入的车辆图像I进行识别，具体为：

步骤4.1：识别车灯并根据车灯的位置对车标进行粗定位，得到车标粗定位区域Rc；

步骤4.2：将图像I输入训练好的卷积神经网络，得到Z个目标区域包围框集合bbox＝(bboxi|i＝1,2,...,Z)与该区域的预测概率向量 bboxi＝(xi1,yi1,xi2,yi2)，i＝1,2,...,Z,根据式(19)得到bboxi的识别结果 及其概率其中， 为bboxi区域为车标Ck的概率，k＝1,2,...,t，(xi1,yi1)为bboxi左上角的坐标，(xi2,yi2)为bboxi右下角的坐标，单位为像素；

步骤4.3：根据式(20)从上一步所得的集合bbox中筛选新的集合BBOX：其中，Nb为集合BBOX中包围框的数量，ρ1,ρ2为比例系数；

步骤4.4：根据式(21)，得到车标定位的包围框bboxmaxk与其识别结果Cmax，完成车标定位与识别：其中， 为bboxmaxk的得分。

2.根据权利要求1所述的融合滑动窗口与Faster R-CNN卷积神经网络的车标识别方法，其特征在于步骤3中的对卷积神经网络进行训练的具体过程为：步骤3.1：将一批数量为Nbatch的训练集传入卷积神经网络并进行前7层的卷积与池化操作，得到Nbatch张M维特征图；

步骤3.2：将上一步得到的特征图传入RPN区域建议网络，建议窗口对特征图进行目标提取并传入全连接层Fc8，具体为：步骤3.2.1：采用2种不同尺寸和3种不同比例合成的6种规格的滑动窗口在特征图上自上而下、自左而右提取目标窗口 其中i＝1,2,...,Nbatch，j＝1,2,...,nj，nj为第j张特征图提取到的目标窗口的总数，窗口的滑动步长为1；

步骤3.2.2：将ground truth区域映射到M维特征图上，记为GTi，其中i＝1,2,...,Nbatch；

步骤3.2.3：根据式(1)，(2)划分前景样本集合PS与背景样本集合BS并从 中剔除不属于PS与BS的样本：其中， 为 与GTi的交集占并集的比例，μ1，μ2为分类系数，0＜μ2＜μ1＜1；

步骤3.2.4：将 分割平均为N*N个小矩阵 如式(3)所示：

其中，x＝1,2,...,N，y＝1,2,...,N；

步骤3.2.5：根据式(4)，(5)将窗口 归一化为 并输入Fc8：

其中， 为窗口 第x行第y列的像素值，x＝1,2,...,N，y＝1,2,...,N；

步骤3.3：全连接层Fc8输出的特征向量输入全连接层Fc9，构成一般神经网络；

步骤3.4：将全连接层Fc9输出的特征向量输出至分类层Softmax与回归层bbox_prediction，Softmax用于判断特征的类型，bbox_prediction用于确定特征的目标位置，根据式(6)，(7)，(8)，(9)，(10)计算损失函数L({pij},{tij})，并根据链式法则逐步计算反向误差，更新各层的权重参数值，完成训练：其中， 为GTi标签，设第i张特征图的标签为 k＝1,2,...,t，则pij为 是车标Ck的预测概率，tij为一个4维向量，表示预测包围框的4个参数坐标，为GTi的包围框坐标向量，Ncls为分类层Softmax的归一化系数，Nreg为回归层bbox_prediction的归一化系数，λ为平衡权重，Lcls为分类层Softmax的损失函数，Lreg为回归层bbox_prediction的损失函数。

3.根据权利要求1所述的融合滑动窗口与Faster R-CNN卷积神经网络的车标识别方法，其特征在于步骤4.1中的识别车灯并根据车灯的位置对车标进行粗定位的具体过程为：步骤4.1.1：根据公式(11)对车灯进行粗定位，得到左车灯区域Il与右车灯区域Ir：其中，图像I的高度为height，宽度为width， 为比例系数，k＝1,2,3， (xl,yl)为Il左上角的坐标，hl与wl分别为Il的高和宽，(xr,yr)为Ir左上角的坐标，hr与wr分别为Ir的高和宽，单位为像素；

步骤4.1.2：根据Il与Ir从I中提取并得到图像ROIl与ROIr；

步骤4.1.3：根据式(13)得到差值图像Difl与Difr，并选取合适的阈值进行二值化，得到Bl与Br：其中，Difp为灰度图，Difp为Difl或Difr，ROIp为Difl或Difr，Difp(i,j)为图像Difp上第i行第j列的像素值，ROIp(i,j,k)为图像ROIp上第k个通道的第i行第j列的像素值，temp1与temp2为中间值，abs为取绝对值；

步骤4.1.4：统计Bl与Br中每一行白色像素点的个数Tl,i与Tr,i，i＝1,2,...,wl，并根据式(14)(15)更新Tl,k，并将Bk中Tk,i＝0的行置为黑色：Tk,max＝max(Tk,i)(14)

其中，Tk,i为Tl,i或Tr,i，Bk为Bl或Br，Tk,max为Tk,i中的最大值，threshold为系数；

步骤4.1.5：根据式(16)对Bk进行处理：

其中，e1,e2为结构元，为膨胀运算，Θ为腐蚀运算；

步骤4.1.6：扫描整幅二值图像Bk，计算各白色区域的像素面积，得到连通区域的候选集合lk,i＝{li|i＝1,2,…,m}，m为过滤后连通区域的总数,并计算各个连通域面积ak,i＝{ai|i＝1,2,…,m}；

步骤4.1.7：通过比较筛选出面积最大的区域ak,max，使其满足公式(7)，得到ak,max的外接矩形Rk(x'k,y'k,w'k,h'k)，并根据Ik在I中的位置，更新Rk的坐标，完成车灯识别：ak,max＝max{ak,1,ak,2,......,ak,n}  (17)其中，Rk(x'k,y'k,w'k,h'k)为Rl(x'l,y'l,w'l,h'l)或Rr(x'r,y'r,w'r,h'r)，Rl为左车灯外接矩形，Rr为右车灯外接矩形，(x'k,y'k)为Rk左上角的坐标，h'k与w'k分别为Rk的高和宽；

步骤4.1.8：根据式(18)得到车标粗定位区域Rc：

其中，为扩展系数，y'min为y'l与y'r中的较小值，y'max为Rl与Rr下边界竖直方向的较大值，(x1c,y1c)为Rc左上角的坐标，(x2c,y2c)为Rc右下角的坐标。