1.一种基于计算机视觉的车辆损伤判别方法，其特征在于，方法包括：标记监测区域，生成所述监测区域对应的区域信息图；基于所述区域信息图对当前的监控系统进行完善，确定若干个采集点；

建立修正模型对各所述采集点的采集数据进行分析，确定所述采集数据中各车辆对应的判别辅助值；

将所述判别辅助值补充到所述采集数据中；

建立损伤判别模型对所述采集数据进行分析，获得所述采集数据中各车辆对应的损伤判别结果；

所述区域信息图内标记有各个路口对应的监测点信息；

对当前的监控系统进行完善的方法包括：

基于各路口对应的监测点信息确定采集点和待选点，从各所述待选点中确定关键点；

基于所述关键点对应的监测点信息进行监控完善，将完善后的所述关键点标记为采集点；

确定关键点的方法包括：

基于各待选点和采集点对应的历史通行数据评估各所述待选点对应的评估值，基于各所述待选点对应的评估值筛选对应的关键点；

各待选点的评估值的确定方法包括：

基于所述历史通行数据分析各所述待选点对应的通行值以及相对于各采集点和关键点之间的关联值和权重系数；

将各所述待选点对应的通行值、关联值和权重系数输入到评估值公式中计算对应的评估值；

对关键点进行监控完善，具体方法包括：

获取各待选点和采集点对应路口的历史通行数据，通过历史通行数据评估车辆大概率通过的路口，以及各路口之间的关联性，即未通过该路口，但是因为路线原因将会通过下一某路口，根据大量的车辆历史路线数据可以进行相应的评估，即先根据历史通行数据评估该路口的通行概率，转化为通行值，再评估待选点与各采集点、关键点之间的关联情况以及对应待选点的权重系数，转化为与各采集点和关键点之间的关联值，权重系数即为根据该待选点的影响情况设置对应的权重系数，主要根据路口之间的分布、路线、距离进行权重系数的设置；通过人工的方式建立对应的训练集，训练集包括历史通行数据和对应设置的通行值、关联值、权重系数，通过建立的训练集对预设的神经网络进行训练，获得的历史数据分析模型，通过历史数据分析模型对历史通行数据进行分析，确定各待选点对应的通行值和关联值；

将已有的采集点和关键点标记为i，i=1、2、……、n，n为正整数；将通行值、关联值和权重系数分别标记为TX、GLi和qi，根据评估值公式 计算对应的评估值PG，将大于阈值X1的评估值按照从大到小的顺序进行排序，选择排序第一的评估值对应的待选点为关键点；更新剩余各待选点对应的通行值、关联值和权重系数，再次计算对应的评估值，基于评估值确定一个关键点后再次进行更新，依此类推，直到计算的评估值没有大于阈值X1为止；对所有的关键点进行监控完善，将完善后的关键点标记为采集点。

2.根据权利要求1所述的一种基于计算机视觉的车辆损伤判别方法，其特征在于，所述损伤判别结果包括无损伤和损伤类型。

3.根据权利要求1所述的一种基于计算机视觉的车辆损伤判别方法，其特征在于，所述修正模型是基于CNN网络或DNN网络进行建立的。

4.根据权利要求1所述的一种基于计算机视觉的车辆损伤判别方法，其特征在于，修正模型的分析方法包括：识别所述采集数据中的车辆，匹配对应的目标判别辅助值和目标行驶性行为数据；

对目标判别辅助值和目标行驶性行为数据进行分析，获得当前车辆对应的判别辅助值。