1.一种基于YOLO v3改进算法的车辆检测方法，其特征在于，包括步骤：S1、采集车辆数据集，车辆数据集包含物体GT框的多幅图像I，GT框为Ground Truth，物体对象为车辆，GT框数据为(c*,x*,y*,w*,h*)，c*表示GT框内物体的类别，x*、y*分别表示GT框内中心点的x坐标和y坐标，w*、h*分别表示GT框的高度和宽度；

S2、使用维度聚类方法对GT框的宽和高进行聚类，生成聚类后的框宽和高尺寸；

S2.1、聚类输入的原始数据是GT框数据，数据中每行都包含 j∈(1,

2,…,N)， 是GT框的中心点， 分别表示GT框的宽和高，N是所有GT框的个数；

S2.2、首先初始化K个聚类中心centroid(Wi，Hi)，i∈(1,2,…,k)，K为需要生成的先验框个数，Wi、Hi分别是聚类中心的宽和高；

S2.3、通过计算GT框与聚类中心的距离，把GT框划分到与之最近的一个簇中，计算GT框box与聚类中心距离d时，选用两者之间的交并比值作为距离指标，交并比值为IoU，距离计算公式为：其中γ表示映射函数的收缩率；

S2.4、所有GT框划分完毕后，对每个簇重新计算聚类中心，更新聚类中心的值(Wi，Hi)，更新为当前簇中的所有GT框的宽和高的均值；

S2.5、重复S2.3和S2.4步骤，直到聚类中心改变量收敛，最终得到K个聚类中心(Wi″，Hi″)，Wi″、Hi″分别表示先验框的宽和高，即得到K个先验框的宽和高的尺寸；

S3、将图像I输入到YOLO v3的骨架网络Darknet-53中进行特征提取，在Darknet-53中，经过多次卷积层进行下采样，输出不同尺度的特征图；

S4、将S2.5中得到的K个先验框尺寸平均分配到S3中的不同尺度的特征图上，每个尺度的特征图预测一定量的先验框，并生成相应的候选框；

S5、根据S4中生成的候选框，选出最终的预测框；

S6、根据特征图与原图的关系，将S5选出的最终的预测框映射到原图上，定位出图像中车辆信息。

2.根据权利要求1所述的一种基于YOLO v3改进算法的车辆检测方法，其特征在于，S2.3中通过控制映射函数中γ的取值可以确定d的范围。

3.根据权利要求1所述的一种基于YOLO v3改进算法的车辆检测方法，其特征在于，S2.4中，计算方式为 Ni是第i个簇的GT框个数，Wi′、Hi′分别表示更新后聚类中心宽和高的值。

4.根据权利要求1所述的一种基于YOLO v3改进算法的车辆检测方法，其特征在于，S5中，采用回归的方式对S4中生成的候选框进行类别、置信度的预测，将置信度大于一定阈值的框设定为预测框，然后根据每个预测框的得分，使用非极大抑制算法选出最终的预测框。

5.根据权利要求1所述的一种基于YOLO v3改进算法的车辆检测方法，其特征在于，S3中，卷积层的步长为2，并输出大、中、小3种不同尺度的特征图。

6.根据权利要求5所述的一种基于YOLO v3改进算法的车辆检测方法，其特征在于，S4中，对于小尺度的特征图，通过进一步卷积之后直接得到后续候选框信息。

7.根据权利要求6所述的一种基于YOLO v3改进算法的车辆检测方法，其特征在于，S4中，对于中尺度的特征图，首先将小尺度输出的特征图进行上采样，然后再与此中尺度特征图相加，相加之后再通过多个卷积输出后续候选框信息。

8.根据权利要求7所述的一种基于YOLO v3改进算法的车辆检测方法，其特征在于，S4中，对于大尺度的特征图，首先将中尺度输出的特征图进行上采样，然后再与此大尺度特征图相加，相加之后再通过多个卷积输出后续候选框信息。

9.根据权利要求1所述的一种基于YOLO v3改进算法的车辆检测方法，其特征在于，S2.2中聚类中心的个数K＝9。

10.根据权利要求1所述的一种基于YOLO v3改进算法的车辆检测方法，其特征在于，S2.3中映射函数的收缩率γ＝2000。