1.一种基于卷积神经网络深度特征的车标识别方法，其特征在于，所述方法包括以下步骤：

步骤S1、给定车标图像训练集Itrain＝{(ai,bi)|i∈[1,M]}以及车标图像测试集Itest＝{(ai,bi)|i∈[1,N]}；其中，ai表示第i张车标图像；bi表示第i张车标图像对应的车标标签；

M表示所述车标图像训练集Itrain的样本数量；N表示所述车标图像测试集Itest的样本数量；

步骤S2、基于深度卷积神经网络构建出分类器网络D，以及构建用于所述分类器网络D训练过程中的随机梯度下降SGD优化器，且进一步对所述分类器网络D及所述随机梯度下降SGD优化器的参数均进行初始化；其中，所述分类器网络D的参数包括迭代次数q、网络参数θq和最优网络参数θbest；q＝0,…,n，n为大于1的正整数； l表示对应的网络层数的索引，W表示对应卷积层的参数，O表示对应的偏置值，BN表示BN层的可学习参数， 表示q次迭代训练中对应第l层的卷积层的参数， 表示q次迭代训练中第l层对应的偏置值， 表示q次迭代训练中第l层的可学习参数；迭代次数q初始为0；网络参数θq初始为θ0，最优网络参数θbest初始为θ0；所述随机梯度下降SGD优化器的参数初始化包括初始化学习率、动量和权重衰减系数；

步骤S3、获取当前迭代次数q，将所述车标图像训练集Itrain＝{(ai,bi)|i∈[1,M]}中的车标图像作为所述分类器网络D的输入并通过网络逐层计算，得到对应车标图像训练集的车标识别结果Ytrain＝{yi|i∈[1,M]}；其中，yi表示所述分类器网络D对所述车标图像训练集Itrain的第i张车标图像的识别结果；

步骤S4、根据预设的交叉熵损失函数，计算所述车标图像训练集的车标识别结果Ytrain和所述车标图像训练集Itrain中的车标标签之间的误差，得出损失值，并利用得出的损失值进行反向传播，对所述分类器网络D的网络参数θq进行调整；

步骤S5、利用所述车标图像测试集Itest对所述分类器网络D进行评估，若所述分类器网络D的网络参数θq的测试准确率最高，则令θbest＝θq；同时在参数更新结束阶段，判断训练迭代次数q是否已达到最大迭代次数n，若已经达到最大迭代次数n，则训练阶段结束，进入下一步骤S6；反之，将跳转至步骤S3进行循环迭代训练，并令q＝q+1；

步骤S6、得到最终的分类器网络D的最优网络参数best，并根据所得到的最终的最优网络参数θbest，更新所述分类器网络D；

步骤S7、获取待测车标图像，且将所述待测车标图像作为更新后的分类器网络D的输入并通过网络逐层计算，得到所述待测车标图像的车标识别结果；

在所述步骤S2中，提出一种新的残差密集连接块，并利用残差密集连接块和残差块构造一个新的分类器网络D；

残差密集连接块的连接方式如下定义所示：xl＝Hl([x0,x1,…,xl‑1])+xl‑1，其中Hl(·)为对应的非线性变换，包含多层连续操作，如：卷积层、BN层、ReLU、卷积层、BN层、ReLU；通过对第l层之前的所有特征进行拼接作为输入，并将第l‑1层的特征再和第l层的输入进行逐个元素相加，得到第l层的输出结果；该网络用于在预防模型退化的同时，更加高效得利用浅层和深层得特征图；连接方式是，在密集连接多层的同时，不仅包含了对之前多层的Concat操作，还包含了上一层和下一层的逐个元素相加的计算，用于对浅层信息进行利用和加强指数集成；

所述分类器网络D主要构建单位为：密集残差连接块、残差链接块、最大池化层、卷积层、全连接层；其包括47层卷积层、1层全连接层、1层全局平均池化层、5层最大值池化层、19层残差连接操作层和15层拼接操作层；其中，每层卷积层后都包含BN层和LeakyReLU激活函数，且在全连接层后包含一个softmax激活函数用于最终的类别预测。

2.如权利要求1所述的基于卷积神经网络深度特征的车标识别方法，其特征在于，在所述步骤S3中，将所述车标图像训练集Itrain中第i张车标图像ai输入到所述分类器网络D中经过网络的逐层计算，得到的车标识别结果为一个C维度的置信度向量；其中，所述置信度向量大小为(1×C)；C为车标类别总数，向量中，每个标量的取值范围为[0,1]。

3.如权利要求2所述的基于卷积神经网络深度特征的车标识别方法，其特征在于，在所述步骤S4中，利用得出的损失值进行反向传播，对所述分类器网络D的网络参数θq进行调整的具体步骤为：

根据预设的交叉熵损失函数，利用链式求导法则，对所述分类器网络D中的网络参数θq进行梯度的计算，并通过随机梯度下降法，将对应的网络参数θq进行更新；其中，更新网络参数θq的公式如下：

其中， 分别表示第q次迭代的模型网络参数中，对应的第l层的卷积层的参数、偏置向量的参数、BN层的参数；η表示超参数中的学习率为0.00128；

和 分别表示对应卷积层的参数、偏置向量的参数和BN层的参数的梯度，通过链式求导法则求得。

4.如权利要求3所述的基于卷积神经网络深度特征的车标识别方法，其特征在于，在所述步骤S5中，利用所述车标图像测试集Itest对所述分类器网络D进行评估，若所述分类器网络D的网络参数θq的测试准确率最高，则令θbest＝θq的步骤具体包括：将所述车标图像测试集Itest中的车标图像作为所述分类器网络D的输入并通过网络逐层计算，得到对应的车标图像测试集的车标识别结果Ytest＝{yi|i∈[1,N]}；

以所述车标图像测试集Itest中对应车标标签作为基准，将Ytest和所述车标图像测试集Itest中的车标标签进行逐一对比，计算所述车标图像测试集Itest中的准确率；

定义当前分类器网络D的网络参数θq的测试准确率为ACCq，并定义最优模型网络参数θbest的准确率为ACCbest，若ACCq>ACCbest,则令θbest＝θq。