1.一种面向智慧交通的复杂多目标自适应检测方法，其特征在于，包括步骤如下：S1，基础模型选用YOLOv3，给定时间类、天气类、目标类进行训练，得到面向三维场景的目标检测模型；

S2，根据当前时间类、天气类，选择相对应的面向三维场景的目标检测模型；利用面向三维场景的目标检测模型检测图片中的目标物体，确定目标检测模型个数，完成多维度模型的选择；

采用阈值自适应调整机制作为多维度模型检测结果融合的标准；

S3，以阈值自适应调整机制为基准，进行多维度模型融合，输出待检测目标的最终类别及其对应的概率；所述多维度模型融合的实现过程如下：S3.1，令步骤S2选择得到的面向三维场景的目标检测模型中的模型个数为3个，这三个模型分别对当前样本进行检测，在待检测目标上标注出预测框、相应的类别以及概率；对于待检测目标识别的类别结果输出分别为j1/其它、j2/其它、j3/其它，其中j1表示待检测目标的类别为目标类中的机动车、非机动车、行人中的任意一类，j2表示待检测目标的类别为目标类中的机动车、非机动车、行人中的任意一类，j3表示待检测目标的类别为目标类中的机动车、非机动车、行人中的任意一类，但j1、j2、j3三者互不相同，用预测框框选出的目标物体属于j1、j2、j3的概率分别为S3.2，对步骤S3.1中的三个模型预测目标输出的预测框进行融合，并将输出结果叠加在一幅图片上，分为以下三种情况：A.如果一个预测框e没有与之相交叠的预测框，则判断预测框e上的类别概率k取整数，与误检阈值d1之间的大小：

若 则该预测框没有误检，输出仍然为其标注的相应类别及概率 若则该预测框误检，然后删除该预测框；

B.如果有两个预测框e、f相互交叠，则计算两个预测框的交并比Uef，并与交并比阈值Uth进行比较，此时分为两种情况：B11.若Uef≥Uth

则将这两个预测框e、f合并为一个预测框，如果预测框e、预测框f上对应的类别结果分别为其它、其它，其它、j2，j1、其它，则融合后的预测框输出类别分别为其它、j2、j1；

如果预测框e、预测框f上对应的类别结果为j1、j2，则比较类别j1和类别j2的修正概率，当两个预测框融合时，j1、j2的修正概率定义分别如下：其中， 分别是相应模型输出的目标j1和j2的个数；

若 则融合后的预测框输出目标类别判定为

j1，反之则为j2；

B12.若Uef

则不合并这两个预测框e、f，并分别将这两个预测框按照没有预测框与之相交叠的情况进行处理，按照步骤A进行处理；

C.如果有三个预测框e、f、g相互交叠，则计算预测框两两之间的交并比Uef、Ueg、Ufg，此时可分为两种情况：C11.若存在两个或两个以上的交并比大于Uth

则将这三个预测框合并为一个预测框，如果预测框e、预测框f、预测框g上对应的类别结果分别为其它、其它、其它，其它、其它、j3，j1、其它、其它，其它、j2、其它，则融合后的预测框输出类别分别为其它、j3、j1、j2；

若预测框e、预测框f、预测框g上对应的类别结果分别为j1、j2、其它，j1、其它、j3，其它、j2、j3，则比较相对应的两个目标类别的修正概率大小 和和

和 然后融合后的预测框输出类别为两个目标类别中修正概率较大的类别；

若预测框e、预测框f、预测框g上对应的类别为j1、j2、j3，则比较三个目标类别的修正概率大小 然后融合后的预测框输出类别为三个目标类别中修正概率较大的类别；其中， 是相应模型输出的目标j3的个数；

C12.若仅存在一个交并比大于Uth

则相应的两个预测框合并为一个预测框，这两个预测框的融合过程按步骤B处理，另外的一个预测框按步骤A去处理。

2.根据权利要求1所述的面向智慧交通的复杂多目标自适应检测方法，其特征在于，所述步骤S1中，构建面向三维场景的目标检测模型的具体实现过程如下：S101，构建三维场景空间

所述三维场景分别为：时间类、天气类、目标类，其中时间类分为凌晨/傍晚/...m1类，天气类分为晴天/阴天/…m2类，目标类分为机动车、非机动车、行人、其它…m3+1类，此处的机动车、非机动车、行人…一共有m3类，另外1类只指其它；

S102，选取样本数据

给定时间类、天气类、目标类，选择相应的样本数据；

S103，样本标注

采用数据标注工具labelimg，对收集到的样本数据进行样本标注；

S104，模型训练

将标注整理好后的数据集选用YOLOv3模型训练，得到m1×m2×m3个面向三维场景的目标检测模型。

3.根据权利要求1所述的面向智慧交通的复杂多目标自适应检测方法，其特征在于，所述步骤S2中，多维度模型的选择实现过程如下：将时间、天气这两个维度的场景作为先验知识，在需要对当前拍摄的图片中的目标物体进行检测时，首先通过智慧交通系统中的中心服务器分别调用日历、气象监测点得知当前的时间、天气状况，然后根据当前的时间类、天气类选择相对应的已经训练好的面向三维场景的目标检测模型，最后用得到的面向三维场景的目标检测模型检测图片中的目标物体；其中选择的模型个数为m3个。

4.根据权利要求1所述的面向智慧交通的复杂多目标自适应检测方法，其特征在于，所述步骤S2中，阈值自适应调整机制的实现过程如下：定义两个阈值：误检阈值d1和交并比阈值Uth，误检阈值d1的计算公式如下：d1＝F(BEV)＝d+δ×BEV

其中，d为误检基础阈值，δ为系数，BEV为基准环境变化量；

交并比阈值Uth的计算公式如下：

Uth＝H(BEV)＝U‑ε×BEV

其中，U为交并比基础阈值，ε为系数；

定义基准环境变化量：

其中，N表示个数，Current表示当前场景，指待检测图像；Base表示基准场景，指白天且晴天场景的图像；R、G、B表示一幅图像中颜色空间的三个分量红色、绿色、蓝色，取值范围为[0,255]，取整数；i表示R、G、B三个分量的取值， 分别表示当前场景R、G、B三个分量取值为i的个数， 分别表示基准场景R、G、B三个分量取值为i的个数，NCurrentRGB+NBaseRGB表示当前场景和基准场景中R、G、B三个分量的总个数。