1.一种复杂环境下的街道垃圾识别方法，其特征在于步骤如下：(1)首先获取街道图片并对有垃圾和没有垃圾的区域进行裁剪，构建样本集来训练深层卷积神经网络DCNN；(2)对于要检测的实时街道图片，将其与干净街道图片进行配准以及像素级作差，得到图像的变化区域，实现目标与背景的分离并缩小检测范围，采用R-CNN算法框架，在作差后的图片上使用图像分割算法获取局部视觉突出区域，即可能出现垃圾的位置，然后将实时图像上每一个可能出现垃圾的区域内的图像数据输入训练好的深层卷积神经网络DCNN进行识别，根据深层卷积神经网络DCNN的输出向量来判断该区域是否为垃圾，如果是垃圾，则在实时图像上进行标记。
2.根据权利要求1所述的一种复杂环境下的街道垃圾识别方法，其特征在于所述构建样本集是指将图像中标记过的垃圾区域裁切出来，在裁切下来的图像块中垃圾面积要超过50％，将其作为正样本，同时裁切图像中的典型非垃圾区域，作为负样本，将正负样本图片归一化到相同大小。
3.根据权利要求1所述的一种复杂环境下的街道垃圾识别方法，其特征在于所述配准是指使用SIFT算法对实时图像与同一个街道场景的干净图像进行特征点检测，并匹配两幅图像中相同的特征点，通过RANSAC算法求得两幅图像之间的变换矩阵，利用变换矩阵把两幅图像调整到同一基准面上。
4.根据权利要求1所述的一种复杂环境下的街道垃圾识别方法，其特征在于所述做差是指在同一基准面上的两幅图像中，对应位置像素的R、G、B三个通道分别进行做差并取绝对值，获取作差图片。
5.根据权利要求1所述的一种复杂环境下的街道垃圾识别方法，其特征在于所述图像分割算法采用的是selective search，是一种层次化的、多样化的快速图像分割策略。
6.根据权利要求1所述的一种复杂环境下的街道垃圾识别方法，其特征在于使用matlab环境下的深度学习工具Matconvnet，进行DCNN模型的构建和训练。
7.根据权利要求1所述的一种复杂环境下的街道垃圾识别方法，其特征在于训练DCNN模型的具体步骤如下：
A1：构建DCNN模型，所述DCNN模型由四个卷积层，两个平均池化层，一个最大池化层以及一个全连接层组成，每个卷积层采用RELU函数作为激活函数；
A2：对DCNN模型的连接权值进行随机初始化；
A3：将正、负样本混合在一起，并随机打乱顺序；将混合之后的数据集分成两份，分别为训练集和测试集；训练集数据量占总数据量的80％，测试集数据量占总数据量的20％；
A4：将训练集输入DCNN模型，设置学习率和最大迭代次数，使用反向传播算法，调整网络中神经元之间的连接权值，使损失函数的值最小；每调整一次网络权值，使用测试集进行验证，保留测试精度最高的网络权值参数，作为DCNN模型最终的连接权值。
8.根据权利要求7所述的一种复杂环境下的街道垃圾识别方法，其特征在于：所述DCNN模型第一、三、五、七层均为卷积层，第二、四层为平均池化层，第六层为最大池化层，第八层为全连接层，第一至八层依次正向级联。
9.根据权利要求5所述的一种复杂环境下的街道垃圾识别方法，其特征在于：selective search目标面积参数设置为100至2000之间，目标长宽比阈值设置为3，高斯滤波参数设置为1.0。
10.根据权利要求7所述的一种复杂环境下的街道垃圾识别方法，其特征在于：激活函数表示为f(x)＝max(0,x)。