1.一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，包括如下步骤：

1)相机预置位设置以及相机标定，相机预置位为进行拥堵程度分析时相机所处的固定位置；

2)卷积神经网络模型初始化；

3)获取实时视频流；

4)检查相机工作状态；

5)使用卷积神经网络模型对兴趣区域进行车辆目标检测；

6)车辆目标跟踪；

7)交通参数采集；

8)拥堵勘探初步进行拥堵预测；

9)拥堵程度分析；

10)拥堵事件上报并设置睡眠状态。

2.如权利要求1所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤1)中，所述的相机预置位设置为将摄像头调整到合适的交通拥堵程度分析位置，并将当前相机位置设置为预置位。

3.如权利要求1所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤1)中，所述的相机标定为截取相机视频流的一帧图像，在其上进行车道线、兴趣区域、拥堵程度分析区域标定。

4.如权利要求1所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤2)中，所述的卷积神经网络模型为tiny-YOLO v3，卷积神经网络模型初始化为将卷积网络模型加载到GPU显卡中以及权重参数恢复。

5.如权利要求1所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤4)中，所述的检查相机工作状态具体包括以下步骤：

4.1:检查当前是否为休眠状态，如果为休眠状态，则不进行拥堵程度分析；

4.2:获取当前相机的位置信息，与预置位比较是否相同，若相同则进行拥堵程度分析；

否则，不进行拥堵程度分析；

4.3:根据公式(1)计算当前视频帧时间Tcur与前一帧时间Tpre的时间间隔Tspace，单位均为秒；若Tspace≥T0，则将目标跟踪队列重置；否则，进行正常的拥堵程度分析；T0表示时间阈值。

Tspace＝Tcur-Tpre        (1)。

6.如权利要求1所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤(6)中，所述的车辆目标跟踪包含以下步骤：

6.1:得到当前帧的车辆目标检测结果后，过滤掉不在车道线内以及拥堵程度分析区域内的车辆；

6.2:基于IoU匹配的车辆目标跟踪：

6.2.1:计算当前帧检测到的车辆目标D和跟踪队列中目标Q的IoU和宽高误差Ew、Eh；IoU根据公式(2)计算，宽高误差Ew、Eh分别根据公式(3)、公式(4)计算：其中，Dbox为当前帧的车辆目标D的边界框，QTrackingBox为跟踪队列中目标Q的实时跟踪边界框，∩为求交集，∪为求并集；Dw和Dh分别为当前帧的车辆目标D 实时跟踪边界框的宽高，Qw和Qh分别为跟踪队列中目标Q的实时跟踪边界框的宽高；

6.2.2:如果IoU≥IoUt，Ew≤Ewt，Eh≤Eht，则认为D和Q是同一辆车，将D标记为已匹配，将Q标记为已检测，实时跟踪框更新为当前目标D的边界框；其中IoUt，Ewt，Eht为预先设置的可调值，IoUt的取值范围为0～1.0，Ewt和Eht的取值要求大于等于0；

6.2.3：将处于拥堵程度分析区域且未匹配的车辆目标D加入跟踪队列中，初始边界框以及实时跟踪框为当前目标D的边界框，初始图像为当前视频帧，初始时间Qinit_time为当前视频帧的时间；

6.3:维护跟踪队列：

6.3.1:将跟踪队列中不处于拥堵程度分析区域的跟踪目标移除；

6.3.2:若跟踪队列中存在跟踪目标Q在当前帧中没有检测到且前Etolerate_frame帧也没有得到更新，则认为该目标已经驶离，并将该跟踪目标Q从跟踪队列中移除；其中Etolerate_frame为预先设置的可调值，其取值要求为Etolerate_frame≥1。

7.如权利要求1所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤7)中，所述的交通参数采集包含以下步骤：

7.1：道路容纳率计算：根据公式(5)-(7)计算拥堵程度分析区域的容纳率R＝{R1,R2}；

其中，Ti∈L表示跟踪目标Ti位于拥堵程度分析区域L内，Area(Ti∩L)为计算两者交集的面积，C1为拥堵分析区域极限容纳面积，C2为拥堵分析区域极限容纳车辆；极限容纳面积C1和极限容纳车辆为C2为预先设定的可调值，单位分别为像素和辆，取值范围分别为C1≥1，C2≥1；

7.2：拥堵程度分析区域平均车速计算：

7.2.1:选择跟踪队列中车辆跟踪次数达到TTrackingFrame帧的目标为有效目标；其中TTrackingFrame为预先设置的可调值，单位为帧，其取值要求为TTrackingFrame≥1；

7.2.2:如果不存在有效目标，则将平均像素速度 置为无穷大；否则根据公式(8)-(10)计算平均像素速度计算 表示车辆在单位时间内移动距离为 个车身长度；

其中， 为第i个有效目标的平均车身长度，Sij为第i有效目标的第j个时刻的车身长度； 为第i有效目标的移动速度，Xend和Xbegin分别为该有效目标结束跟踪tend和开始跟踪tbegin时刻的目标位置；n为该目标跟踪次数，m为有效目标数量。

8.如权利要求1所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤8)中，所述的拥堵勘探初步进行拥堵预测为：如果 且 则初步判断之后一段时间 内不会存在拥堵事件，因此拥堵程度分析方法进入睡眠状态并清空跟踪队列，直至 后重新进行拥堵程度分析；其中 和 为预先设定的可调值，取值范围分别为 和 为预先设定的可调值，单位为秒，取值范围为

9.如权利要求1所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤9)中，所述的拥堵程度分析包含以下步骤：

9.1:如果 且C≥δC，则当前存在瞬时拥堵情况；其中δv和δC为预先设定的可调值，取值范围分别为δv≥0和δC≥0；

9.2:如果在前Tjam时间内，都为瞬时拥堵情况，则判断当前存在拥堵现象；其中Tjam为预先设定的可调值，单位为秒，取值范围为Tjam≥1；

9.3:如果当前存在拥堵现象，按如下步骤判断是否为静止拥堵：

9.3.1:判断有效静止目标：将跟踪目标的初始边界框和实时跟踪边界框根据公式(11)计算IoU，并且计算其停留时间Parking，如果其IoU≥IoUt且Parking≥Tparking，则认为跟踪目标为有效静止目标；其中IoUt，Tparking为预先设置的可调值，IoUt的取值范围为0～1.0，Tparking取值要求大于等于0；

其中，QinitBox为跟踪队列中目标Q的初始边界框，QTrackingBox为跟踪队列中目标Q的实时跟踪边界框，∩为求交集，∪为求并集；

9.3.2:如果有效静止目标的数量大于TJamPark，则认为当前为静止拥堵现象，否则认为当前为缓行拥堵现象；其中TJamPark为预先设定的可调值，取值要求为TJamPark≥0；

9.4:如果当前存在拥堵现象，重置跟踪队列。

10.如权利要求1所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤10)中，所述的拥堵事件上报并设置睡眠状态包含以下步骤：

10.1:如果当前存在拥堵现象，选择在前Tjam时刻的视频帧和当前视频帧上绘制出当前的拥堵程度分析区域，并在视频帧底边添加视频帧时间、地点信息以及拥堵程度后将两张图像左右排列合并，最后将拥堵信息以及合成图进行上报；

10.2:如果成功将拥堵现象上报，则设置为睡眠状态，直至Tsleep后重新开启道路溢出检测，其中Tsleep为预先设置的可调值，单位为秒，其取值范围为Tsleep≥1。