1.一种基于深度学习的车辆检测与识别的方法，其特征在于，包括如下步骤：S1、采集原始车辆图片数据；

S2、制作原始训练数据集；

S3、对步骤S2得到的原始训练数据集进行数据增强，形成最终训练数据集；

S4、对Faster RCNN网络模型进行改进，改进的内容包括：

1)对Faster RCNN网络模型的共享卷积网络VGGNet-16进行改进：将共享卷积网络VGGNet-16的第3层到第13层的3×3卷积修改为Fire Module；

2)在原有的Faster RCNN网络模型的RPN网络的基础上增加6个更小的anchors，即Faster RCNN网络模型在特征图的每一像素点上抽取15种Anchors,具体尺度为(1282、2562、

5122、322、642)和3类长宽比(1:1，2:1，1:2)；

3)用ROI Align代替原有的Faster RCNN网络模型中的ROI Pooling；

4)采用多尺度训练作为Faster RCNN网络模型的训练方式；

S5、利用步骤S3得到的最终训练数据集对步骤S4得到的改进后的Faster RCNN网络模型进行训练；

S6、把需要检测的车辆图像输入训练后的预测模型中，得到车辆检测结果。

2.根据权利要求1所述的基于深度学习的车辆检测与识别的方法，其特征在于，步骤S2的具体过程如下：S2.1、下载VOC2007数据集，并将步骤S1采集得到的原始车辆图片数据移动到VOC2007数据集的data文件夹下；

S2.2、使用标注工具对原始车辆图片数据进行标注，用矩形框框出原始车辆图片中的车辆，并生成xml文件，xml文件保存矩形框坐标和车辆类型，保存格式为[车辆类型，矩形框中心x坐标，矩形框中心y坐标，车辆宽度w，车辆高度h]；删除难以人工标注的原始车辆图片；将得到的xml文件替换VOC2007数据集中Annotations文件夹内的文件；

S2.3、根据步骤S2.2生成的xml文件，对应生成名称为train、test、trainval和val的txt文件，用这四个txt文件替换VOC2007数据集中Main文件夹内的txt文件；

S2.4、初始化模型参数，下载预训练模型将其放在data文件夹下。

3.根据权利要求1所述的基于深度学习的车辆检测与识别的方法，其特征在于，步骤S3的具体过程为：先对原始训练数据集依次进行亮度随机调整、对比度随机调整、色相随机调整、饱和度随机调整、通道随机调换光学变换，再依次进行随机扩展、随机剪裁、随机镜像、随机到固定比例几何变换，最后进行去均值变换，得到最终训练数据集。

4.根据权利要求1所述的基于深度学习的车辆检测与识别的方法，其特征在于，所述多尺度训练中，设置三种输入尺度(600，800，1000)，训练时，每张车辆图片被随机分配一种尺度。