1.一种汽车排放量检测方法，其特征在于，包括：获取检测路段车辆监控的视频图像和道路信息，道路信息包含车道数、道路限速、交通状况和环境温湿度；

利用图像识别获取视频图像中的车辆信息，车辆信息包含车辆品牌和车辆型号；

根据获取的车辆信息，按照预设的OBD端口配置数据库将检测路段的车辆划分为第一检测车辆和第二检测车辆，其中第一检测车辆为配置OBD端口的车辆，第二检测车辆为未配置OBD端口的车辆；

对第一检测车辆，通过与车载OBD设备无线通信获取车辆瞬时排放数据，计算预设时间段内排放量作为第一预测排放量；

对第二检测车辆，利用基于机器学习算法训练的车辆排放预测模型，获取第二预测排放量；

根据获取的道路信息，通过修正系数分别修正第一预测排放量和第二预测排放量；

根据经过修正的第一预测排放量和第二预测排放量，计算检测路段的总排放量；

其中，道路限速为检测路段的速度限制；交通状况为检测路段的交通流量和平均车速。

2.根据权利要求1的汽车排放量检测方法，其特征在于：利用图像识别获取视频图像中的车辆信息，车辆信息包含车辆品牌和车辆型号包括如下步骤：对于获取的视频图像，采用可解释的实例分割算法获取包含整辆车辆的车辆图片；

对获取的车辆图片利用基于深度学习的图像去雾算法进行滤波和降噪的处理；

将处理后的车辆图片输入基于注意力机制的卷积神经网络，获取车辆品牌；

将处理后的车辆图片输入结合车型年份分类的卷积神经网络，获取包含年份信息的车辆型号；

将获取的车辆品牌和车辆型号输入基于置信度融合算法的卷积神经网络，获得车辆信息识别结果。

3.根据权利要求2的汽车排放量检测方法，其特征在于：对于获取的视频图像，采用可解释的实例分割算法获取包含整辆车辆的车辆图片包括如下步骤：使用真实车辆图像样本数据集和基于生成对抗网络生成的假车辆样本数据集联合训练Mask RCNN实例分割模型；

在Mask RCNN实例分割模型中增加注意力机制，以提取目标车辆区域的图片；

利用训练后的Mask RCNN实例分割模型对输入的视频图像进行实例分割，获得包含目标车辆的分割结果图片；

对获得的分割结果图片进行语义分割，获取包含车辆主体、车窗和车灯像素的二值车辆主体掩码图片，作为车辆图片。

4.根据权利要求2的汽车排放量检测方法，其特征在于：对获取的车辆图片利用基于深度学习的图像去雾算法进行滤波和降噪的处理包括如下步骤：采用基于暗通道先验的深度神经网络去雾算法，对车辆图片中的雾气成分进行去雾处理；

利用中值滤波算法对去雾处理后的车辆图片进行滤波预处理；

利用基于编码器解码器结构的深度去噪神经网络，对滤波预处理的车辆图片进行去噪处理；

采用基于自适应Gamma校正的图像增强算法，对去噪处理后的车辆图片进行增强处理。

5.根据权利要求4的汽车排放量检测方法，其特征在于：利用中值滤波算法对去雾处理后的车辆图片进行滤波预处理包括如下步骤：收集无噪声车辆图片和加入不同程度高斯噪声的车辆图片样本；

训练卷积神经网络模型判断图片噪声类型和噪声点密度，输出噪声类型和对应噪声点分布特征；

当检测为高斯噪声且噪声点密度大于阈值T1时，选择尺寸为M1×M1的中值滤波核；当检测为椒盐噪声且噪声点密度小于阈值T2时，选择尺寸为M2×M2的中值滤波核；

利用选择的中值滤波核对车辆图片进行滤波去噪处理；

M1大于M2；滤波核为方形结构。

6.根据权利要求4的汽车排放量检测方法，其特征在于：采用基于暗通道先验的深度神经网络去雾算法，对车辆图片中的雾气成分进行去雾处理包括如下步骤：基于暗通道先验的深度神经网络包含特征提取模块和去雾模块；

利用特征提取模块对输入的车辆图片进行暗通道先验特征提取，获得暗通道先验特征图，其中，特征提取模块包含多层卷积和池化操作；

将提取得到的暗通道先验特征图输入到去雾模块进行去雾处理，去雾模块包含基于先验特征的条件生成对抗网络；

在条件生成对抗网络中，将暗通道先验特征图作为条件输入生成器，生成器学习去雾后的车辆图片分布；

将生成器输出的去雾车辆图片分布输入判别器，判别器判断生成的去雾后的车辆图片与无雾的车辆图片的相似度；

根据判别器输出的判别结果，通过损失函数反向传播更新生成器的参数；

其中，利用不同雾气浓度的车辆图片训练去雾算法，学习去雾映射关系。

7.根据权利要求2的汽车排放量检测方法，其特征在于：根据获取的车辆信息，按照预设的OBD端口配置数据库将检测路段的车辆划分为第一检测车辆和第二检测车辆包括如下步骤：建立OBD端口配置数据库，数据库包含车型字符串信息、车型对应年份信息、车型对应VIN码范围和车型对应OBD端口配置信息；

利用Levenshtein编辑距离算法，设定车型字符串编辑距离阈值；

利用最大允许误差范围参数设置车型年份允许误差范围；

根据编辑距离阈值和车型年份误差范围，进行车型匹配；

当车型匹配失败时，对车辆图片进行VIN匹配；

根据匹配结果，将车辆划分为第一检测车辆和第二检测车辆；

其中，车型匹配失败为车型字符串编辑距离超过距离阈值或识别的年份信息与OBD端口配置数据库中的年份差值超过允许误差范围。

8.根据权利要求7的汽车排放量检测方法，其特征在于：对车辆图片进行VIN匹配包括如下步骤：

对车辆图片利用Faster RCNN目标检测算法识别VIN码区域；

使用CTC损失函数的序列图像识别模型，识别VIN码序列；

根据VIN码规范，解析识别得到的VIN码序列，在建立的OBD端口配置数据库中进行VIN匹配。

9.根据权利要求1的汽车排放量检测方法，其特征在于：根据获取的道路信息，通过修正系数分别修正第一预测排放量和第二预测排放量包括如下步骤：根据车道数计算检测路段的车辆通行量；

根据道路限速和交通状况计算车辆的平均行驶速度；

根据计算获得的车辆通行量和平均行驶速度，建立基于车辆功率的排放映射模型，计算不同速度下对应的车辆排放量；

获取检测路段的车辆排放数据，构建随机森林回归模型，作为修正模型，输入平均行驶速度、车辆型号、环境温湿度和排放映射模型的输出的车辆排放量；

对第一预测排放量，根据对应车辆的速度和车辆型号，利用修正模型获得第一修正系数，对第一预测排放量进行修正；

对第二预测排放量，根据对应车辆型号的平均行驶速度，利用修正模型获得第二修正系数，对第二预测排放量进行修正。

10.根据权利要求9的汽车排放量检测方法，其特征在于：排放映射模型为递归神经网络模型。