1.一种基于动态背景的违停检测算法，其特征在于：所述方法包括以下步骤：步骤1：对采集到的图像进行筛选，保留有效图像，进行标注；

步骤2：构建基于动态背景卷积的神经网络中的实例分割网络和关联区域提议网络，训练，设置损失函数获得效果最优网络的模型参数；

步骤3：将有效图像输入效果最优网络，得到分割后的车辆、可停区域与违停区域；

步骤4：检测分割后的车辆与可停区域和违停区域的重叠度，当所述车辆与可停区域的重叠度小于预设阈值a且与违停区域重叠度大于阈值b时，判定为违停车辆；0＜a＜1，0＜b＜1。

2.根据权利要求1所述的一种基于动态背景的违停检测算法，其特征在于：所述步骤1中，对采集到的图像进行筛选后，进行预处理，并保留有效图像。

3.根据权利要求1所述的一种基于动态背景的违停检测算法，其特征在于：所述步骤3中，有效图像在效果最优网络中包括以下步骤：步骤3.1：将处理后的有效图像输入实例分割网络的残差网络中，输出残差特征图IRES；

步骤3.2：将残差特征图IRES输入区域提议网络，去除低置信度小于q的提议框，以剩下的提议框Wj作为前景提议框输出，Wj＝IRES·HRPN，其中，HRPN表示生成提议框操作；0＜q＜

0.5；

步骤3.3：若已处理的图像帧数大于等于2，则将前两帧已检测的图像输入关联区域提议网络，将关联区域提议网络输出的前景框提议记为Wr，进行下一步，否则，直接进行步骤

3.5；

步骤3.4：将Wj和Wr的重叠的锚框输入改进的Soft-NMS算法中，去除重叠，输出前景提议框Wf；

步骤3.5：将前景提议框通过兴趣区域池化统一为相同尺寸，输入全连接层和全卷积网络；

步骤3.6：输出基于像素级别分类的掩码。

4.根据权利要求3所述的一种基于动态背景的违停检测算法，其特征在于：所述步骤

3.3包括以下步骤：

步骤3.3.1：获得当前帧的前一帧和前二帧的已有的车辆检测框，分别记为B1,i和B2,j，其中，i和j分别代表第i和第j个检测框；

步骤3.3.2：将B1,i和B2,j输入权值共享的卷积网络，提取特征；

步骤3.3.3：将提取到的特征通过兴趣区域池化统一为相同尺寸；

步骤3.3.4：将检测框进行互卷积操作，选取B1,i与B2的所有检测框进行卷积操作，得到代表检测框B1,i与B2,j的相似度的置信度队列Sj，剔除置信度小于0.6＜p＜0.8的检测框，记录具有最高置信度的检测框，令具有最高置信度的检测框的索引为m；

步骤3.3.5：确定前一帧与前二帧匹配框所移动的区域Am；

步骤3.3.6：根据移动区域Am和在前一帧有匹配的对应检测框B1,m确定搜索区域As；

步骤3.3.7：将搜索区域As在原图中进行裁剪，获取前一帧中对应搜索区域的匹配框B1,m，将其送入权值共享的卷积神经网络进行特征提取，得到各自的特征图，记为Af和B1,f；

步骤3.3.8：将检测框的特征图B1,f在搜索区域特征图Af上进行互卷积操作，得到置信度图D，选取置信度最高的区域作为提议区域加入区域提议网络的前景框提议输出。

5.根据权利要求4所述的一种基于动态背景的违停检测算法，其特征在于：所述步骤

3.3.5包括以下步骤：

步骤3.3.5.1：将两个匹配框的对应的左上角和右下角坐标转换为相应的形心坐标(x,y)和矩形框长宽h、w；

步骤 3 .3 .5 .2 ：根 据两 个矩 形框 形 心的 相对 位置 得到 移 动区 域其中，coor代表某点的坐标(x,y)，i代表相匹配的前二帧的矩形框，j代表前一帧的矩形框；

步骤3.3.5.3：将coormov坐标转换为相应的形心坐标和矩形框长宽，以(xm,ym)和wm、hm表示，即为移动的区域Am。

6.根据权利要求4所述的一种基于动态背景的违停检测算法，其特征在于：所述步骤

3.3.6包括以下步骤：

步骤3.3.6.1：计算前两帧中相应匹配框的形心的移动量Δx，Δy；

步骤3.3.6.2：将移动区域Am的形心坐标分别对应加上移动量Δx和Δy，得到搜索区域As。

7.根据权利要求3所述的一种基于动态背景的违停检测算法，其特征在于：所述步骤

3.4包括以下步骤：

步骤3.4.1：将Wj和Wr的重叠的锚框定义为若干检测框；

步骤3.4.2：将检测框根据置信度进行降序排列，将排序后的队列记为L1；初始化空队列，记为L2；

步骤3.4.3：检查队列L1是否为空，若不为空则进行下一步，否则进行步骤3.4.7；

步骤3.4.4：将队列L1中置信度最高的检测框记为Wmax，计算余下检测框与Wmax的重叠度，更新检测框的置信度 其中，bi代表当前进行运算的检测框，iou为重叠度；

步骤3.4.5：在队列L1中删除更新后置信度低于0.1的检测框；

步骤3.4.6：将Wmax置入候选队列L2并从队列L1中删除，返回步骤3.4.3；

步骤3.4.7：返回队列L2作为最终结果。

8.根据权利要求3所述的一种基于动态背景的违停检测算法，其特征在于：所述步骤

3.5包括以下步骤：

步骤3.5.1：将统一为相同尺寸的前景提议框输入全连接层，输出前景提议框的类别及前景提议框左上角和右下角的坐标(x,y)，其中，y＝X·x，y为n×1的向量，n为类别数，X为n×m的矩阵，x为m×1的向量，m为进入全连接层时的维度；

步骤3.5.2：将坐标输入全卷积网络，输出z＝g(y)，其中，g为交换了前向和反向求导函数的卷积层。

9.根据权利要求1所述的一种基于动态背景的违停检测算法，其特征在于：所述步骤4包括以下步骤：步骤4.1：遍历所有分割后的车辆实例；

步骤4.2：检测车的检测框与违停区域检测框、可停区域检测框的IoU违停与IoU可停；

步骤4.3：当IoU违停＞b且IoU可停

步骤4.4：若遍历未结束，则返回步骤1，否则，结束检测返回队列Lw。