1.一种货车车轴快速识别与计数方法，其特征在于，包括：

S1、运动检测：采用改进后的帧差法快速检测镜头前经过的货车；

S2、车轴检测：采用改进后的轻量级深度神经网络RetinaFace进行车轴检测网络模型训练，以实现货车车轴的检测；

S3、车轴跟踪：采用SORT算法实现车轴检测跟踪；

S4、车轴计数：在对车轴进行检测跟踪后，通过边界邻域统计进行车轴计数；

所述步骤S2中，改进后的轻量级深度神经网络RetinaFace包括：Backbone模块，采用去除全连接层的MobilenetV1；

FPN模块，用以聚合上下文信息；采用特征金字塔网络结构，能在增加极小的计算量的情况下，处理好物体检测中的多尺度变化问题；

SSH模块，用来扩张预检测区域的上下文信息；

Anchor模块，为检测不同尺度的车轴，分别在FPN模块特征金字塔网络结构的三层生成不同尺度的anchors，具体为按步数遍历特征图并在同一位置生成多个不同的anchors，其中低分辨率到高分辨率的三层特征图上anchors生成的步数分别为8、16、32，最小尺寸为

64、128、256；

所述步骤S4具体实现如下：

S41、检测车轴，分配anchor的id，计算anchor的中心位置；

S43、根据id记录每个anchor当前的位置，并和上一位置进行比较，判断车轴运动的方向，该步骤实时更新；

S44、判断anchor中心的位置和统计边界的绝对距离，第一次小于设定的阈值K则将当前anchor作为感兴趣的监测框，并根据id存储进监测数组中；

S45、对每个监测框和统计边界的绝对距离进行实时跟踪判断，当每个监测框第一次大于设定的阈值时，将步骤S42中当前记录的方向作为该监测框的运动方向，该运动方向上的全局车轴统计数量加1，同时根据id从监测数组中删除该监测框。

2.根据权利要求1所述的一种货车车轴快速识别与计数方法，其特征在于，所述步骤S1具体实现如下：S11、尺度缩放：如公式(1)，采用常数边界扩充的方式扩充边界成正方形，扩充后的图像缩放到统一尺度320×320；

lm＝Padding(I；w,h,0)

其中，Padding表示常数填充，I表示待填充的图片，w表示width方向的扩展度，h表示height方向的扩展度，θ表示扩展填充常数；

S12、计算帧差图：如公式(2)所示，利用上一帧缩放后的灰度图(Im)减去当前帧缩放后的灰度图(Ib)，得到绝对值差图，并利用Otsu算法进行图像二值化；

Ds＝Otsu(|Im‑Ib|)    (2)

S13、去噪：用形态学开运算和闭运算去除二值化帧差图Ds中的白色过小区域；

S14、运动诊定：当∑Ds大于设定的阈值β时，即二值化帧差图中白色区域大于预定范围时，判定为有运动物体经过；β设为0.05×height×width，其中，height和width代表帧差图的行数和列数。

3.根据权利要求1所述的一种货车车轴快速识别与计数方法，其特征在于，所述步骤S2中，车轴检测网络模型训练过程中，损失函数由两项组成，第一项为类别损失，用以区分车轴的类别以及背景区域；第二项为回归损失，拟合车轴的位置信息；其中，正负样本的确定由IoU进行判断，具体为计算先验anchors和真实标签的IoU，其中大于0.35的先验anchors作为正样本即目标样本，其他为负样本即背景样本；

1)类别损失：采用难负样本挖掘损失，使得负样本和正样本比例稳定，损失函数如公式(3)所示，具体地，首先对负样本预测概率值进行排序，取前n个负样本作为难负样本，其余负样本丢弃，对难负样本和正样本计算交叉熵损失：P′neg＝sort(Pneg)

其中，Pneg代表难负样本，Ppos代表正样本，yneg和ypos代表难负样本和正样本的标签，n取为m的3倍，m为正样本的数量，n为负样本的数量；

2)回归损失：回归损失为先验框anchor位置与目标框对应位置的L1损失，具体描述如下：其中，yloc表示真实位置标签， 表示预测位置，m为正样本的数量。

4.根据权利要求3所述的一种货车车轴快速识别与计数方法，其特征在于，所述步骤S2中，车轴检测网络模型在Tesla P100显卡上进行训练，Batch size设为8，训练200个Epoch，采用SGD进行优化，动量为0.9，权重衰减系数0.001。

5.根据权利要求1所述的一种货车车轴快速识别与计数方法，其特征在于，所述步骤S3具体实现方式为：首先采用卡尔曼滤波进行车轴位置预测，再用匈牙利算法根据卡尔曼滤波预测位置和目标检测位置的IoU值进行关联匹配，实现车轴检测跟踪。