1.一种弱对比度交通场景下的车辆检测分割算法，其特征在于，包括以下步骤：步骤1)、确定分割目标，建立分割目标的数据库，从而产生训练集与测试集；

步骤2)、建立分割目标的正负样本数据库，并对步骤1)产生的训练集进行全卷积神经网络语义分割模型；

步骤3)、使用训练好的全卷积神经网络模型对测试集进行语义分割从而得到车辆的概率图与二值分割结果图；

步骤4)、接着对分割结果图进行平滑滤波及去噪操作，去除因为语义分割中反卷积操作而造成的噪点和空洞；

步骤5)、接着将去噪后的分割结果图映射回原图，对原图进行均值漂移语义分割从而得到均值漂移分割结果；

步骤6)、最后将卷积神经网络模型的分割结果、均值漂移分割得到分割结果与卷积神经网络得到的车辆的概率图按照合并规则进行区域合并，从而实现弱对比度交通环境下的精细化前车分割，具体的：通过整体比较经过均值漂移分割之后获得的像素概率的方差最小且像素的平均值最大从而确定车辆所在区域。

2.根据权利要求1所述的一种弱对比度交通场景下的车辆检测分割算法，其特征在于，步骤1)中，确定目标分割任务为弱对比交通场景下的车辆分割，通过采集各类交通场景中的图片，并对交通场景中的车辆进行标注，从而产生训练集与测试集。

3.根据权利要求2所述的一种弱对比度交通场景下的车辆检测分割算法，其特征在于，采取Citycapes作为全卷积神经网络的训练集，并对本发明所提出的全卷积神经网络模型进行训练。

4.根据权利要求1所述的一种弱对比度交通场景下的车辆检测分割算法，其特征在于，步骤3)中，对将采集的交通场景图片放入全卷积神经网络语义分割模型中进行检测，从而得到车辆概率图与二值化的语义分割图，车辆二值化分割计算公式如公式1所示：t(i,j)表示二值化的像素值，pi,j表示进行语义分割以后得到的车辆概率图中概率值。

5.根据权利要求1所述的一种弱对比度交通场景下的车辆检测分割算法，其特征在于，步骤4)中，对得到的二值化图像进行中值滤波操作并将连通域面积小于16像素的孔洞去除从而对二值化分割图像实现滤波操作。

6.根据权利要求1所述的一种弱对比度交通场景下的车辆检测分割算法，其特征在于，步骤5)中，将去噪后的二值图映射回原图，输入为候选区域图像input，输出分割图像output。

7.根据权利要求6所述的一种弱对比度交通场景下的车辆检测分割算法，其特征在于，a)、所选取的目标的候选区域图像input，将提取的像素点的图像颜色信息即R，G，B值作为检测到的每个像素点的属性值；

b)、初始化参数，设置目标的搜索区域的带宽参数h、像素的均值收敛阈值ε；

c)、将所有图像中像素点全部标记为0，循环执行如下步骤：

从图像中没有被访问过的一个像素点作为目标的初始点x；

根据式(2)计算均值漂移量mh(x)，并将已经被访问的目标像素值标记为1；

mh(x)表示均值漂移量，g(x)代表核函数，h为带宽参数，x为每个像素点的属性值；

如果||mh(x)‑x||≤ε，则终止迭代并对点进行归类；否则，将mh(x)赋值给x，然后转步骤b)，根据实验室取值ε＝0.03；

判断图像中是否存在没有被访问过的像素值，若有，转步骤a)；

d)：将没有被访问过但没有作为初始点进行元素迭代的像素点到各类中心的距离合并到己有的类中，从而得到交通环境下目标的分割结果output。