1.一种车辆信息识别系统，其特征在于：包括地磁传感器、通信模块和上位机；

若干地磁传感器间隔设置在路面下，地磁传感器用于采集地磁扰动信息，地磁传感器将采集到的地磁扰动信息通过通信模块发送给上位机，上位机接收地磁扰动信息，上位机用于对接收的地磁扰动信息进行分析处理输出车辆类型分类结果。

2.一种车辆信息识别方法，其特征在于，应用权利要求1所述的车辆信息识别系统，包括以下步骤：步骤1：地磁传感器采集地磁扰动信息，并将地磁扰动信息发送给上位机，上位机接收地磁扰动信息并判断是否有车辆经过地磁传感器；

步骤2：若有车经过，上位机对地磁扰动信息进行预处理；

步骤3：上位机对相邻两个地磁传感器的预处理后的数据消除时间差距，并采用DTW算法对消除时间差距后的数据进行特征点对齐；

步骤4：上位机采用自适应加权融合方法对特征点对齐后的数据进行融合；

步骤5：上位机根据融合后的数据提取车辆特征后采用FWOA-GA-BP算法对车辆类型进行分类。

3.根据权利要求2所述的一种车辆信息识别方法，其特征在于：步骤1中，上位机采用基于动态阈值的状态机车辆检测算法判断是否有车辆经过地磁传感器。

4.根据权利要求2所述的一种车辆信息识别方法，其特征在于：步骤2中，预处理过程包括：先对地磁扰动信息进行滑动平均滤波处理，再进行三轴数据归一化处理，最后进行基线跟踪处理。

5.根据权利要求2所述的一种车辆信息识别方法，其特征在于：所述步骤3中，上位机采用相关系数法对相邻两个地磁传感器的预处理后的数据消除时间差距；

采用DTW算法对消除时间差距后的数据进行特征点对齐，具体方法为：

步骤3.1：定义相邻两个地磁传感器的时间序列分别为Q和C，Q＝q1,q2...qn，C＝c1,c2...cm，相邻两个地磁传感器的时间序列长度分别是N和M，利用Q和C构造一个N×M的距离矩阵；

定义矩阵元素(i,j)分别为qi和cj两个点的距离d(qi,cj)，d(qi,cj)＝d(i,j)＝(qi-cj)2，其中，qi表示时间序列Q的第i个元素，cj表示时间序列C的第j个元素；

定义W为规整路径，具体为：W(k)＝w1,w2,...,wk,...,wK，max(M,N)≤K≤M+N-1，W的第k个元素定义为W(k)＝(i,j)k＝(i(k),j(k))；

步骤3.2：利用步骤3.1中定义的d(qi,cj)和W(k)计算相邻两个地磁传感器时间序列间的最小总体匹配距离：其中，d(W(k))＝(qi-cj)2；

定义f(k)为规整路径中的加权系数，f(k)＝[i(k)-i(k-1)]+[j(k)-j(k-1)]，i(1)＝j(1)＝1，i(K)＝n，j(K)＝m， 公式1中的分母为常数，因此使公式1的结果最小，则满足的条件为使公式1中的分子最小，即 最小；

由于任意一点之前的规整路径与这点以后的规整路径无关，

变换成：

g(W(k))＝d(W(k))f(k)+min g(W(k-1))    (公式2)公式2为从第k-1步到第k步的计算方法，将公式2和不同的搜索方式结合，找出总体匹配距离最小的路径，完成相邻两个地磁传感器地磁曲线的特征点对齐。

6.根据权利要求2所述的一种车辆信息识别方法，其特征在于：步骤5中，上位机根据融合后的数据提取车辆特征后采用FWOA-GA-BP算法对车辆类型进行分类，具体为：对BP神经网络的初始权值和阈值进行优化，将FWOA-GA中的个体作为BP神经网络中的权值和阈值，将适应度值作为BP神经网络中的训练误差，选择最优的BP神经网络初值和阈值；在融合后的车辆地磁扰动曲线上提取车辆特征向量，将车辆特征向量样本数据作为优化后的BP神经网络的输入，通过所述BP神经网络中最优的初值和阈值，不断对车辆特征向量样本数据集进行训练，对车辆类型进行分类。