1.一种基于深度学习的雾天下车辆检测方法，其特征在于，包括以下步骤：步骤1)、采集雾天交通车辆图片；

步骤2)、对采集到的雾天交通车辆图片进行图像预处理；

步骤3)、采用深度残差网络模型对预处理后的雾天交通车辆图片进行特征提取，获取多个不同大小的特征图；深度残差网络模型第一个卷积层采用32个大小为3×3的卷积核过滤416×416分辨率的输入图像，然后将第一个卷积层的输出作为输入，使用64个大小为3×3的卷积核以步长为2个像素进行卷积操作，实现2倍的下采样，得到208×208分辨率的特征图；然后在深度残差网络模型中添加执行1×，2×，2×，2×和2×的5组残差模块，同时在每2组的残差快之间连接数量不同的3×3大小的卷积核，步长均为2个像素，分别获得104×104，52×52，26×26，13×13大小的特征图；

步骤4)、对多个不同大小的特征图进行多尺度检测，同时利用底层特征的高分辨率和高层特征的高语义信息，通过上采样融合不同层的特征，在三个不同尺度的特征层上实现特征图拼接，得到多尺度检测特征图；

以矩形框的交并比RIOU作为相似度对雾天交通车辆图片的所有目标标注使用K‑mens聚类方法获得锚的大小，K‑means聚类的距离函数如下式：d(B,C)＝1‑RIOU(B,C)其中：B为矩形框的大小，C为矩形框的中心，RIOU(B,C)表示两个矩形框的交叠比；

在每个尺度上的每一个单元格借助4个锚点框预测4个边界框；将13×13特征图经过两倍上样后与26×26特征图拼接，经过卷积运算得到一级拼接特征图；将一级拼接特征图经过两倍上采样后与52×52特征图拼接，经过卷积运算得到二级拼接特征图；将二级拼接特征图经过两倍上采样后与104×104特征图拼接，经过卷积运算得到多尺度检测特征图；

步骤5)、根据获取的多尺度检测特征图采用迁移学习方法对深度残差网络模型进行训练，直至深度残差网络模型最大迭代次数为50000次，采用经过迭代后的深度残差网络模型即可实现雾天下车辆检测。

2.根据权利要求1所述的一种基于深度学习的雾天下车辆检测方法，其特征在于，采集的雾天交通车辆图片中，将车辆以外的信息设置为背景。

3.根据权利要求1所述的一种基于深度学习的雾天下车辆检测方法，其特征在于，步骤2)中对雾天交通车辆图片具体进行图像去雾、反转和对称处理。

4.根据权利要求3所述的一种基于深度学习的雾天下车辆检测方法，其特征在于，采用暗通道先验去雾方法对雾天交通车辆图片进行预处理，建立基于暗通道先验去雾方法的物理模型为：I(x)＝J(x)t(x)+A(1‑t(x)) (1)

其中x表示图像中像素点所处于的位置，I(x)表示所观察到的有雾图像，J(x)表示清晰无雾的图像，A表示大气光值，t(x)表示透射率；

建立无雾图像的暗原色Jdark(x)求解公式：Jdark(x)＝miny∈Ω(x)(minc∈[R,G,B]Jc(y)) (2)式中，C表示R、G、B三个通道的集合；Jc表示图像的一个颜色通道，Ω(x)表示以x为中心的方形滤波模板；无雾图像的非天空区域，Jdark(x)的值很低；

选取暗通道中值最大的0.1％的像素点，找出这些点在原含雾图像中对应点的亮度最大值，将该值作为全球大气光的估计值A；

由以下公式获取透射率值：

式中，ω表示去雾的程度，ω取0.95；

Ac表达通道c对应的大气光值，Ic(y)表示大气光阈值范围；

将获取的透射率值t(x)与大气光值A代入式(1)中，可得基于暗通道先验去雾方法的物理模型为：式中，为避免透射率取值过小造成是真，对透射率的下限值做了限定，原文中取限定值t0为0.1。

5.根据权利要求4所述的一种基于深度学习的雾天下车辆检测方法，其特征在于，具体的：对于一个任意的图片I(x)，其亮通道Ilight(x)表达式为：亮通道先验理论中，图像中任意一像素点的亮通道值接近于无雾图像的大气光值Alight(x)，可得出下式：Ilight(x)→Alight(x) (4)

上式可以得到：

结合亮通道和暗通道对大气光值进行估计得到大气光值A：A＝αAlight(x)+βA0 (6)结合结构相似性和信息熵参数信息，α和β均为变量参数，A0为通过暗通道先验方法中估计的大气光值；设定α＝0.7，β＝0.25。

6.根据权利要求1所述的一种基于深度学习的雾天下车辆检测方法，其特征在于，矩形框的锚点框数量为12。