1.一种基于卷积神经网络的车辆违章检测方法，其特征在于，所述方法包括以下步骤：

步骤A，制作数据集，利用高清摄像头分别在晴天、阴天、雨天、黑夜的环境下采集城市道路视频储存在SD卡中，利用Adobe Premiere Pro视频剪辑软件按照每秒5帧将采集的路况视频剪辑成JPG格式的图片，利用剪辑标注软件labelimg标注每张图像，在标注分类车辆的同时生成XML文件，按照voc数据集的标准制作成含有5种车辆形态分类的数据集；利用下载的中文车牌数据集进行重新标注，所述中文车牌数据集是将完整车牌进行字符分割后分别将单个字符输入进神经网络进行识别；

步骤B，搭建基于YOLOV2改进后的卷积神经网络，YOLOV2对小目标识别效果不理想，据此在YOLOV2的网络结构中添加残差网络结构(Resnet)，为了提高卷积神经网络对不同尺寸图片识别的泛化性，添加一层yolo层进行多尺度训练；

步骤C，在原Elu激活函数的基础上设计Kelu激活函数，并分别利用多种激活函数搭载进卷积神经网络进行训练，利用训练产生的loss值及检测准确率来确定激活函数；

步骤D，在训练卷积神经网络前对图像作批量归一化处理，批量归一化处理有利于提高准确率(mAP)以及显著的改善收敛性，防止过拟合(Over‑fitting)；

步骤E，将多方位车辆检测的卷积神经网络、车牌识别的微型卷积神经网络、QT可视化界面一齐封装进ROS(机器人操作系统)操作系统；

步骤F，进行实车测试。

2.根据权利要求书1所述的基于卷积神经网络的车辆违章检测方法，其特征在于，所述步骤A中数据集中种类的划分包括以下具体步骤：A1，利用高清像头行车记录仪收集路况视频，剪辑成图像格式并根据需要将图像分为5类，分别为被测车辆的正侧方、正前方、正后方、侧前方、侧后方；

A2，数据集包含3个文件夹，分别为Annotation、ImageSets和JPEGImages，其中文件夹Annotation中主要存放xml文件，每一个xml对应一张图像，并且每个xml中存放的是标记的各个目标的位置和类别信息，命名与对应的原始图像一样，在ImageSets文件夹下的Main文件夹，这里面存放文本文件，包括train.txt、test.txt，该文本文件里面的内容是需要用来训练或测试的图像的名字，所述名字无后缀无路径，JPEGImages文件夹中已按统一规则命名好的原始图像，A3，车牌数据集分为两类，一类是完整车牌数据集，作用是在识别违章车辆时同时也能识别完整车牌，另一类是单个字符的车牌数据集，作用是识别完整车牌后将车牌提取出并进行字符分割，分别将单个字符图片依次输入进卷积神经网络进行识别。

3.根据权利要求书1所述的基于卷积神经网络的车辆违章检测方法，其特征在于，所述步骤B中搭建基于YOLOV2的卷积神经网络包括以下具体步骤：B1：固定卷积神经网络参数，初始学习率为0.1，使用随机梯度下降，多项式速率衰减10^(‑4)；

B：更改原始YOLOV2中的分类数量为5种，分别为被测车辆的正侧方、正前方、正后方、侧前方、侧后方；

C：搭建基于YOLOV2改进的卷积神经网络，包括卷基层、残差层及多尺度层。

4.根据权利要求书1所述的基于卷积神经网络的车辆违章检测方法，其特征在于，所述步骤C中设计卷积神经网络中激活函数包括以下具体步骤：C1，了解Elu激活函数优缺点，并针对Elu激活函数的缺点进行改进，重新设计了Kelu激活函数；

C2，将两种激活函数分别搭载进卷积神经网络进行训练，观测测试结果及训练后产生的loss值，通过测试结果可知Kelu激活更适用于违章检测。

5.根据权利要求书1所述的基于卷积神经网络的车辆违章检测方法，其特征在于，所述步骤F中设计基于卷积神经网络的违章检测系统包括以下具体步骤：F1，将多方位车辆检测及车牌检测的两个卷积神经网络封装成ROS语言；

F2，利用QT‑Creator软件将卷积神经网络检测到的信息通过信号与槽上传到可视化界面。