1.一种基于视频图像的危化品运输车辆检测与识别方法，其特征在于，包括如下步骤：步骤1，检测包含目标车辆的单帧图像，通过单帧图像对目标车辆进行粗分类，并确定目标车辆在图像中的位置；

步骤2，根据目标车辆在图像中的位置，对目标车辆进行细分类，得到图像中目标车辆的识别信息，根据目标车辆的识别信息对目标车辆进行识别。

2.根据权利要求1所述的一种基于视频图像的危化品运输车辆检测与识别方法，其特征在于，步骤1具体包括如下步骤：步骤1.1，将包含目标车辆的单帧图像放入深度残差网络ResNet50，得到每张图像的特征图A，特征图A包含5个层级；

步骤1.2，将特征图A放入特征金字塔网络，得到每张图像的特征图B，特征图B包含5个层级；

步骤1.3，通过区域推荐网络算法，对特征图B生成一系列锚框，每个锚框携带一个长度为K的one-hot向量，以及一个4维的边框坐标信息，其中，锚框的个数为A，K的长度是A；

步骤1.4，针对每个锚框，根据特征金字塔网络的层级的大小，从任意一个层级取得该层级对应通道的特征图，再将取得的通道的特征图经过卷积神经网络的卷积层进行处理，再采用ReLu激励函数进行处理，然后，再对ReLu激励函数处理后的结果连接一个包含K×A个3*3卷积核的卷积层，最终预测出每张图片中车辆的分类情况，完成车辆的粗分类；

并且，针对步骤1.3产生的每个锚框，使每个锚框经过全卷积网络，获得锚框和标定框的相对偏移坐标，通过相对偏移坐标确定车辆在图像中的位置。

3.根据权利要求2所述的一种基于视频图像的危化品运输车辆检测与识别方法，其特征在于，步骤1.2中，标记特征图A的5个层级分别为C1、C2、C3、C4和C5，标记特征图B的5个层级分别为P3、P4、P5、P6和P7，C1经过特征金字塔网络得到P3，C2经过特征金字塔网络得到P4，C3经过特征金字塔网络得到P5，C4经过特征金字塔网络得到P6，C5经过特征金字塔网络得到P7。

4.根据权利要求2所述的一种基于视频图像的危化品运输车辆检测与识别方法，其特征在于，步骤1.3中，锚框在特征图B的5个层级上的像素大小分别为32*32，64*64，128*128，

256*256，512*512。

5.根据权利要求2所述的一种基于视频图像的危化品运输车辆检测与识别方法，其特征在于，步骤1.4中，采用Sigmoid函数来对目标车辆进行粗分类。

6.根据权利要求2-5任意一项所述的一种基于视频图像的危化品运输车辆检测与识别方法，其特征在于，还包括对步骤1.1至步骤1.4进行数据的训练，数据训练时采用的损失函数FL(pt)如下：γ

FL(pt)＝-αt(1-pt) log(pt)

其中，γ是一个预设参数，γ≥0，pt的定义如下式：

其中，y表示人工输入的车辆的标签，1代表的是危化品运输车辆；p表示车辆粗分类时预测图像属于1的概率；

αt的定义如下式：

其中，y表示人工输入的车辆的标签，1代表的是危化品运输车辆，α是一个预设参数，0＜α＜1。

7.根据权利要求1所述的一种基于视频图像的危化品运输车辆检测与识别方法，其特征在于，步骤2具体包括如下步骤：步骤2.1，根据目标车辆在图像中的位置，然后对图像进行变换和裁剪，裁剪得到的图像包含目标车辆区域且为正方形；

步骤2.2，再使用卷积神经网络A对裁剪后的图像中目标车辆外部部位的位置进行特征提取，得到包含目标车辆外部部位位置的特征A1；

步骤2.3，对于步骤2.2提取的目标车辆的外部部位，再使用卷积神经网络B对裁剪后的图像进行特征提取，得到包含目标车辆外部部位位置的特征B1，卷积神经网络A与卷积神经网络B不同；

步骤2.4，将特征A1和特征B1使用矩阵外积进行组合，再采用最大值池化的方法形成与裁剪得到的图像对应的双线性特征向量；

步骤2.5，根据步骤2.4所得到的双线性特征向量，使用Softmax分类器进行车辆的细分类，得到车辆种类，实现对目标车辆的识别。

8.根据权利要求7所述的一种基于视频图像的危化品运输车辆检测与识别方法，其特征在于，步骤2.1中，对图像变换采用图像随机翻转、随机切割或反复变换的方式。

9.根据权利要求1所述的一种基于视频图像的危化品运输车辆检测与识别方法，其特征在于，所述包含目标车辆的单帧图像为由原始交通视频所得的单帧图像。