1.一种基于深度学习的高效车辆颜色识别方法，其特征在于包括如下步骤：步骤1：将车辆图像的测试样本与训练样本归一化到224×224像素；

步骤2：利用训练样本进行卷积神经网络模型训练，提取车辆图像的深层颜色特征信息,具体过程为：

步骤2.1：使用3×3卷积核在特征维度上进行卷积操作，融合图像空间位置信息到低尺度特征图，并从3通道增加特征通道深度到32通道；

步骤2.2：将不同深度特征信息通过式(2)的ReLu公式进行激活操作：其中，yi表示特征向量的值，f(yi)表示激活后的特征向量；

步骤2.3：将激活后的特征图通过式(3)‑(6)进行Batch Normalization操作并融合为深层的颜色特征；

其中， 表示小批次训练的样本集，m表示小批次训练的样本数量，xi表示激活后的特征向量， 表示样本均值， 表示标准差，∈表示附加到小批量数据方差上的常量， 表示归一化后的特征向量，γ和β表示为偏移量，yi表示变换后的归一化向量；

步骤2.4：将步骤2.1)‑步骤2.3)获得的特征图送入级联旁路特征的倒转残差结构中，经过多次特征提取获得深度颜色特征作为下层输入；

步骤2.5：将倒转残差结构中的旁路结构的1×1卷积核替换为3×3卷积核，实现降采样的同时提取深度颜色特征；

步骤2.6：重复执行4次步骤2.4和步骤2.5得到提取后的深度颜色特征信息；

步骤2.7：对在深度颜色特征全局邻域内的特征点做平均池化操作，扩大特征图的感受野，输出融合特征信息的特征向量，即提取到车辆图像的深层颜色特征信息；

步骤3：通过式(1)对特征向量进行归一化，得到不同类别颜色的概率分布；

其中，γj表示上述步骤获取的不同颜色类别的特征向量，j表示颜色类别索引，C表示总的颜色类别个数；

步骤4：根据步骤3获取的不同车辆颜色类别的概率列表，并输出最大概率的车辆颜色类别，即为识别出的车辆样本图像中的车辆颜色。

2.根据权利要求1所述的一种基于深度学习的高效车辆颜色识别方法，其特征在于步骤2.4中的特征图送入级联旁路特征的倒转残差结构中，经过多次特征提取获得深度颜色特征作为下层输入的具体过程为：

步骤2.4.1：通过1×1卷积核扩张通道深度，增大不同通道之间的空间相关性连接，获得具有丰富通道间信息的深度特征图，并使用步骤2.2激活和步骤2.3归一化；

步骤2.4.2：将步骤2.4.1获得的深度特征图进行3×3卷积核的组卷积操作，对组内通道特征进行随机稀疏连接，降低卷积操作的连接密度和参数复杂度，并使用步骤2.2激活和步骤2.3归一化；

步骤2.4.3：再通过1×1卷积将通道数降低，复原特征信息的通道深度，避免提取的特征出现冗余；

步骤2.4.4：同时将输入到步骤2.4.1的原始特征图再送入1×1卷积核的滤波器获取丰富空间相关信息的特征图，并使用步骤2.2激活和步骤2.3归一化；

步骤2.4.5：将步骤2.4.3获取的特征图和步骤2.4.4获得的特征图进行级联操作，融合成包含丰富维度的深度颜色特征信息；

步骤2.4.6：将步骤2.4.5获得的深度特征图进行混洗操作，调整深度特征图的通道排列顺序，增加通道间信息的交流，使组内特征信息得到丰富，增加空间相关性的表达能力。