1.一种基于传统算法和深度学习算法级联的车辆检测方法，其特征在于，包括如下步骤：
第一级处理步骤：通过第一级的机器学习算法进行车辆检测，得到备选目标窗口；
第二级处理步骤：通过第二级的深度学习算法，对提取到的备选目标窗口进行分类。
2.根据权利要求1所述的车辆检测方法，其特征在于，所述机器学习算法为ACF算法。
3.根据权利要求2所述的车辆检测方法，其特征在于，在所述第一级处理步骤中首先输入图像、然后划窗、聚和通道特征、关键层金字塔其它层插值，然后采用Adaboost算法分类，最后输出检测结果。
4.根据权利要求1至3任一项所述的车辆检测方法，其特征在于，第二级的深度学习算法包括CNN算法，并且采用CNN网络架构。
5.根据权利要求4所述的车辆检测方法，其特征在于，所述CNN网络架构包括8层，从第1层至第8层分别为：输入的32x32图像层、5x5步长为1的32个卷积核层、2x2的pooling层、3x3步长为1的64个卷积核层、2x2的pooling层、512维的FC全连接层、dropout层和最后的FC全连接输出层，FC全连接输出层给出当前的分类目标是否是车辆。
6.一种基于传统算法和深度学习算法级联的车辆检测系统，其特征在于，包括：
第一级处理模块：用于通过第一级的机器学习算法进行车辆检测，得到备选目标窗口；
第二级处理模块：用于通过第二级的深度学习算法，对提取到的备选目标窗口进行分类。
7.根据权利要求6所述的车辆检测系统，其特征在于，所述机器学习算法为ACF算法。
8.根据权利要求7所述的车辆检测系统，其特征在于，在所述第一级处理模块中首先输入图像、然后划窗、聚和通道特征、关键层金字塔其它层插值，然后采用Adaboost算法进行分类，最后输出检测结果。
9.根据权利要求6至8任一项所述的车辆检测系统，其特征在于，第二级的深度学习算法包括CNN算法，并且采用CNN网络架构。
10.根据权利要求9所述的车辆检测系统，其特征在于，所述CNN网络架构包括8层，从第1层至第8层分别为：输入的32x32图像层、5x5步长为1的32个卷积核层、2x2的pooling层、3x3步长为1的64个卷积核层、2x2的pooling层、512维的FC全连接层、dropout层和最后的FC全连接输出层，FC全连接输出层给出当前的分类目标是否是车辆。