1.一种车辆检索方法，其特征在于，所述方法包括：对卡口车辆图像进行车窗检测；获取卡口车辆图像中的车窗的车贴区域；对车贴区域进行车贴检测，所述车贴检测包括将待检测车贴信息与车贴数据库中的车贴信息做对比以得出车辆检索结果；其中车贴数据库中的车贴信息为预先存储并在检测过程中不断补充得到的。

2.根据权利要求1所述的方法，其特征在于，所述将待检测车贴信息与车贴数据库中的车贴信息做对比，包括：精修车贴检测框，得到待检测车贴区域；

使用预训练好的深度卷积神经网络对待检测车贴区域进行特征提取，将提取出的特征向量和车贴数据库中的特征向量使用余弦距离进行相似度计算，找出相似度大于特定阈值的特征向量；相似度大于特定阈值的特征向量对应的图片即为车辆检索结果；其中，提取出的特征向量为深度卷积特征向量。

3.根据权利要求2所述的方法，其特征在于，所述精修车贴检测框包括：将获取到的车贴区域按照长和宽分别放大1.2倍后进行图像二值化处理，并利用开运算移除由图像噪声形成的斑点以及与边界相连的目标物；

对二值图进行膨胀操作并移除小目标连通域；

最大连通域即为待检测车贴区域。

4.根据权利要求3所述的方法，其特征在于，所述获取卡口车辆图像中的车窗的车贴区域为：使用训练好的Mask RCNN网络检测出卡口车辆图像中的车窗的车贴区域；

如果不存在连通域，则保存训练好的Mask RCNN检测的车贴区域。

5.根据权利要求4所述的方法，其特征在于，所述对卡口车辆图像进行车窗检测为：训练Faster RCNN网络并使用训练后的Faster RCNN网络对卡口车辆图像进行车窗检测。

6.根据权利要求5所述的方法，其特征在于，所述获取卡口车辆图像中的车窗的车贴区域之前，包括训练Mask RCNN网络，在训练Mask RCNN网络时使用标注工具labelme标注出卡口车辆车窗中的车贴区域，具体为：(1)在终端中输入命令>>activate labelme，打开标注软件，标注完成后产生一个<文件名>.json文件；

(2)进入<文件名>.json文件所在目录下，在终端执行命令>>labelme_json_to_dataset<文件名>.json，可得到一个文件夹，里面有五个文件分别为：*.png，info.yaml，label.png，label_viz.png，其中label.png和info.ymal是需要用到的标注信息。

7.根据权利要求6所述的方法，其特征在于，所述使用训练好的Mask RCNN网络检测出卡口车辆图像中的车窗的车贴区域，包括：(1)将使用标注工具labelme标注好车贴区域后得到的label.png和info.yaml输入到ResNet101网络中，其中ResNet101网络由五个部分组成，分别记为[Stage1，Stage2，Stage3，Stage4，Stage5]，其中Stage1部分输出的特征图C1大小为256*256，Stage2部分输出的特征图C2大小为128*128，Stage3部分输出的特征图C3大小为64*64，Stage4部分输出的特征图C4大小为32*32，Stage5部分输出的特征图C5大小为16*16；

(2)用特征金字塔结构将提取到的后四个部分[Stage2，Stage3，Stage4，Stage5]的深度卷积特征向量C2，C3，C4，C5重新组合成新的深度卷积特征向量P2，P3，P4，P5，P6；

当i＝5,4,3,2，U6＝0时，新的深度卷积特征向量组合计算过程如下式所示：

其中：conv表示卷积计算，sum表示逐位求和操作，upsample表示将卷积特征的长和宽分别上采样到原先两倍的操作，pooling表示步长为2的最大池化操作，Ti、Ui为中间参数，不具有实际意义；

(3)区域生成网络对P2，P3，P4，P5，P6五个新的卷积特征图中的每一个特征点选取不同尺寸和长宽比的区域并通过非极大值抑制生成感兴趣区域ROI；

(4)生成的ROI区域将经过两个ROIAlign部分，其中一个ROIAlign遍历每一个ROI，保持浮点数边界，接着将ROI分割成7*7个单元，在每个单元内的采样点数是4，用双线性内插的方法计算出四个点位置的值，然后对这四个位置的值进行最大池化操作；另一个ROIAlign也遍历每一个ROI，保持浮点数边界并将ROI分割成14*14个单元，在每个单元内的采样点数是4，用双线性内插的方法计算出四个点位置的值，然后对这四个位置的值进行最大池化操作；

(5)两个ROIAlign分别输出7*7和14*14大小的卷积特征；其中7*7大小的卷积特征经过两个全连接层后输出一个五维的向量用作分类预测和回归框预测；14*14大小的卷积特征作为掩膜预测网络的输入，通过4个3*3的卷积层和一个2*2的反卷积层将输入的卷积特征上采样到28*28，由于只需要预测车贴一个类别，最后通过1*1的卷积层得到一个28*28*1的掩膜预测特征；掩膜预测特征上每个点的值表示属于前后景的置信度；最后，使用0.5的阈值获取车贴掩膜。

8.根据权利要求7所述的方法，其特征在于，所述将获取到的车贴区域按照长和宽分别放大1.2倍后进行图像二值化处理，包括：(1)将Mask RCNN网络检测出的车贴区域结果按照长和宽分别放大1.2倍并裁减出来；

(2)将裁剪出的图像进行灰度化处理，其中灰度值的计算公式为：Gray＝0.299*R+

0.587*G+0.114*B；

(3)将灰度化后的图像使用全局阈值进行图像二值化。

9.根据权利要求1-8任一所述的方法，其特征在于，所述对卡口车辆图像进行车窗检测之前，包括：采用高清卡口系统获取卡口车辆图像。

10.一种权利要求1-9任一所述的方法在交通领域内的应用。