1.一种基于深度学习和边缘计算的视觉行车测距算法，其特征在于，包括以下步骤：S1、构建带行车测距数据集并进行标注

用单目摄像头采集不同场景下行车的视频图像，对数据集进行扩充，构建行车测距标准数据集，对图像数据进行标注包含语义、深度标注信息；

S2、利用构建的标准数据集，生成适用于行车测距的深度模型

利用行车测距数据集对深度模型进行微调，训练引入提前退出点机制的语义分割网络，使模型适应数据集，通过S1中标注完成的行车测距数据集，对深度模型进行训练，其中深度预测模型SfmNet的核心由depthcnn和posecnn组成，前者用于预测深度，后者用于辅助无监督训练，语义分割模型SegNet由vgg网络构成包括编码和解码结构，用于生成场景的语义分割图，对其引入提前退出机制，在给定延时和带宽要求下，加速深度模型的推断，保证更高的准确率；

S3、联合边缘设备和传感设备自动对网络进行分割加速推断

使用数据集对模型进行实验，利用线性回归模型对延迟进行预测，在给定的延时和带宽要求下自动分割网络，使得准确率更高；

S4、用测试数据集进行实验，预测行车距离

利用测试数据集对模型进行检测，结合边缘设备与传感设备的输出结果，计算得到行车的距离，在给定延时和带宽下，将测试数据集输入语义分割模型和深度预测模型，深度模型将输出语义分割结果和深度预测结果，找出语义分割结果中的汽车对象，筛选汽车的像素点，计算其对应深度预测结果中所有像素的平均深度作为最终深度。

2.根据权利要求1所述的一种基于深度学习和边缘计算的视觉行车测距算法，其特征在于：步骤S1中：构建行车测距数据集，并进行标注，主要包含以下三个部分：A1、使用单目镜头采集各种场景下的行车视频图像：包含不同车型、不同距离、不同天气以及一天中不同时间段，使得构建的数据集具有复杂性、多样性；

A2、扩充采集的数据集，减少模型的拟合，可以通过图像水平翻转、尺度变换、旋转或者色彩抖动；

A3、对行车测距数据集进行标注，标注信息包括视频图像中各个像素的所属类别和对应的深度信息，类别标注中1‑11为种行车过程中常见物体，12为其他物体，深度标注包含图像中像素距离摄像头的距离，可以用双目相机标定或者红外激光采集获得。

3.根据权利要求1所述的一种基于深度学习和边缘计算的视觉行车测距算法，其特征在于：步骤S3中：联合边缘设备和传感设备，自动对网络进行分割加速推断：B1、使用数据集对模型进行实验，利用线性回归模型对深度模型在设备运行延时进行预测；

B2、在给定的延时和带宽要求下，自动将模型分割到边缘设备和传感设备，加速网络的推断，同时确保更高的准确率。