1.一种基于深度学习的车辆防碰撞预警方法，其特征在于，包括以下步骤：

(1)对以司机第一视角拍摄的视频数据进行预处理，得到降噪后的图像；

(2)进行车速检测，以车道线为参照物，对连续多张图像进行分析，获取当前车辆的行驶速度，将该速度和驾驶员的行为特性、知觉反应特性相结合，得到车辆以该速度行驶时的紧急制动距离；

(3)进行车道线检测，以预处理后的图像为输入，运用边缘检测算法得到车道线的边缘，接着利用随机霍夫直线检测算法得到车道线点的集合，再接着利用集合中点的斜率分出左右车道线点的集合，之后分别将这两个点的集合拟合为最优的两条直线，实现车道线的检测，最后不断更新点的集合，实现车道线的追踪；

(4)将图像中的像素距离和实际距离进行方程拟合，结合步骤(2)和步骤(3)的结果，在车辆前方绘制出根据车速变化的安全区域，并在图像上进行可视化展示；所述可视化方法是根据我国车道线的规格，在图像中车道线竖直方向上标定多个特征点，用一元三次多项式Ph＝AL3-BL2+CL+D来构建数学模型，即得到像素距离Ph(px)和实际距离L(m)，完成预警区域的可视化；其中，L为实际距离，Ph为图像中的像素距离，A，B，C和D为多项式系数；

(5)在YOLOv3的基础上，优化神经网络结构模型，采集车辆数据，重新训练神经网络，使用优化后的YOLOv3算法，实现对车辆的实时识别和检测，得到车辆在图像中的位置，并将结果保存在车辆信息队列中；

(6)遍历车辆信息队列，结合绘制的安全制动区，对可能发生的交通碰撞事件进行预测，通过人机交互界面，对驾驶员进行提示；

步骤(2)所述的紧急制动距离过以下公式实现：

其中，在司机采取紧急制动措施时，t1为司机的反应时间，t'2为司机的判断时间，t″2为司机做出制动行为所花费的时间， 为附着系数，g＝9.8(m/s2)为重力加速度，V为当前车辆的行驶速度；

步骤(5)所述的优化神经网络结构模型包括以下步骤：

(51)通过DarkNet-53网络对全图进行特征提取；

(52)将输入图像分成19*19的网络单元且在每个单元中产生三个预测边界框和原标记框的IOU交并比值，选取最大的边框进行预测，采用SPP网络融合多个感受野适应不同大小的目标；

(53)采用逻辑回归作为分类器，使用19*19、38*38这两种不同尺度的特征图进行预测。

2.根据权利要求1所述的一种基于深度学习的车辆防碰撞预警方法，其特征在于，步骤(1)所述的对视频数据进行预处理主要包括定义感兴趣区域、图像二值化、形态学操作、高斯模糊。

3.根据权利要求1所述的一种基于深度学习的车辆防碰撞预警方法，其特征在于，步骤(2)所述的车辆行驶速度通过以下公式实现：其中，FPS为视频当前的播放帧数，frameCount(n)为图像ROI区域中车道线连续出现的次数。

4.一种基于深度学习的车辆防碰撞预警系统，其特征在于，所述系统采用权利要求1所述的基于深度学习的车辆防碰撞预警方法，包括图像获取和预处理模块、多线程并行运算模块、车速检测模块、车道线检测模块、安全制动区绘制模块、车辆识别检测模块、碰撞预警模块，其特征在于，所述车速检测模块，运用图像处理技术，对连续多张图像进行分析，计算出当前车辆的行驶速度，与驾驶员的行为特性以及知觉反应特性相结合，得到车辆以该速度行驶时的紧急制动距离；所述车道线检测模块，运用边缘检测算法和霍夫直线检测算法得到车道线点的集合，将其拟合为最优的两条直线，并不断更新这些点的集合，对车道线进行追踪；所述安全制动区绘制模块，对图像中的像素距离和实际距离进行方程拟合，结合车道线检测结果和计算出的车辆紧急制动距离，在车辆前方绘制一块根据车速变化的安全区域，并在图像上进行可视化展示；所述车辆识别检测模块，使用改进后的YOLOv3算法，对视频中的车辆进行识别和检测，得到车辆在图像中的位置信息，并将结果保存在车辆信息队列中；所述碰撞预警模块，遍历车辆信息队列，结合绘制的安全制动区，对可能发生的交通碰撞事件进行预测。