1.基于深度学习SSD框架的道路车辆实时检测方法，包括如下步骤：
1)构建训练数据集：
1a)在交通要道拍摄若干个行驶车辆的视频，将这些视频每隔10帧保存为图片，并存放到JPEGImages文件夹下作为训练数据；
1b)对(1a)的每张图片中车窗部分进行标注，生成txt格式的标注文件并进行xml格式转换，将转换为xml格式的文件均分成两部分，其中将一部分图片的图片名写入到trainval.txt文件中，另一部分则将图片名写入到test.txt文件中，得到训练网络所需的trainval.txt文件、test.txt文件和与图片相对应的xml文件；
1c)将(1b)中的所有xml文件进行合并后存放到Annotations文件夹下，并将生成的trainval.txt文件和test.txt文件存放到ImageSet/Main文件夹下；
2)搭建SSD训练网络架构：
2a)下载并安装caffe-ssd平台；
2b)在caffe-ssd平台中下载并打开VGG-16网络结构的deploy.prototxt文件，修改其卷积层及全链接层的层类别，以此作为基础网络base_network；
2c)在基础网络base_network的末尾添加卷积层及池化层，作为额外的特征提取层；
2d)创建mbox_layers层，并根据基础网络base_network，设定mbox_layers层的相关参数；
3)转换数据格式开始训练：
3a)修改caffe_ssd平台下的标签字典，该标签字典的文件名为labelmap_voc.prototxt；
3b)将1)中准备好的数据集存放到data文件夹下，修改并运行相应程序生成lmdb格式文件；
3c)将3a)中修改过的标签字典文件和3b)生成的lmdb文件输入到搭建好的SSD训练网络进行训练，得到最终的训练模型；
4)利用训练模型进行视频车辆检测：
4a)将任意待测行驶车辆视频按帧输入到训练好的模型中；
4b)对于输入的每一帧图像，该模型将随机地选取整幅图像的多个区域，并采用卷积算法对每个区域进行打分；
4c)设定一个阈值δ＝0.3，将每一个区域的得分分别与δ比较，将得分高于δ的区域，判断为包含汽车车窗，并调用绘图命令对这个区域进行标注；将得分值低于δ的区域，判断为不包含车窗或包含不完全车窗，直到图像上所有被判断为包含汽车车窗的区域均标注完成；
4d)重复4b)-4c)，将4a)中待测视频的所有帧图像处理后，得到相应的输出视频，此输出视频将会标注出每一个包含汽车前窗的区域，从而完成对一段视频中每一辆汽车的检测。
2.根据权利要求1所述的方法，其中步骤3c)中训练SSD网络，按如下步骤进行：
3c1)用K个随机取值的卷积核对图像进行卷积得到K个特征图；
3c2)从K个特征图中选取几个特征图，按不同的权重输入到损失函数中计算损失值，并采用梯度下降法更新卷积核的大小和权重的大小；
3c3)重复3c1)-3c2)，直到损失函数达到最小，记录卷积核和权重的值。
3.根据权利要求1所述的方法，其中步骤4b)中采用卷积算法对每个区域进行打分，按如下步骤进行：
4b1)用K个训练好的卷积核与一个区域进行二维卷积，得到K个卷积值；
4b2)将K个卷积值求加权平均，即得到该区域的打分。