1.一种面向复杂场景的域适应交通目标检测与识别方法，其特征在于，包括以下几个步骤：S1：目标检测网络从普通交通场景得到源域图像，从特殊场景得到目标域图像；

S2：双向特征提取网络对源域图像和目标域图像进行特征提取，得到包含丰富语义信息的浅层特征、深层特征和兴趣区域；

S3：分类网络对兴趣区域内的目标进行分类，回归网络对兴趣区域的位置进行回归，得到定位更精确的兴趣区域；

S4：对目标检测网络进行域适应学习,具体如下：

S41：两级域匹配器对双向特征提取部分得到的浅层特征进行局部域匹配，对双向特征提取部分的深层特征进行全局域匹配；

S42：图原型匹配方法对双向特征提取部分和分类、回归网络得到的兴趣区域进行域匹配；

S43：经过步骤S41和S42得到具备域适应能力的目标检测网络；

S5：以联合损失为目标函数对S4实现的具备域适应能力的目标检测网络进行联合一致性训练，得到具备一致性域适应方向的检测模型。

2.根据权利要求1所述的一种面向复杂场景的域适应交通目标检测与识别方法，其特征在于，S1中所述的源域图像是普通交通场景下的图像，目标域图像是特殊交通场景下的图像。

3.根据权利要求1所述的一种面向复杂场景的域适应交通目标检测与识别方法，其特征在于，S2中所述的双向特征提取部分包括主干网络、自底向上分支和自顶向下分支，所述主干网络采用ResNet-50，输出包括浅层特征、深层特征和兴趣区域。

4.根据权利要求1所述的一种面向复杂场景的域适应交通目标检测与识别方法，其特征在于，S41所述的两级域匹配器由GRB和域分类器组成，所述域分类器包括局部域分类器和全局域分类器。

5.根据权利要求4所述的一种面向复杂场景的域适应交通目标检测与识别方法，其特征在于，所述局部域分类器的损失函数为如下，其中x代表输入的特征，H和W分别代表输入特征的高和宽，F1代表了主干网络输入层到中间层的部分，Dl代表局部域分类器，n为输入图像的数量，Lloc表示局部域分类损失，s代指源域，t代指目标域，ns为源域的图像数量，nt为目标域的图像数量。

6.根据权利要求1所述的一种面向复杂场景的域适应交通目标检测与识别方法，其特征在于，S42所述的图原型匹配方法是对兴趣区域中提取的类别原型进行匹配，类别原型的公式如下：其中， 表征了每个具体类别中的模态信息，该原型代表每个类别完成后续的类别级域匹配，其中Np为兴趣区域实例的数量， 为类别置信度向量经图卷积后的输出，为嵌入特征向量经图卷积后的输出，k为具体类别的索引。

7.根据权利要求1所述的一种面向复杂场景的域适应交通目标检测与识别方法，其特征在于，S5所述的联合一致性训练所用的损失函数如下：其中，puv为局部域匹配器对特征图上坐标为(u，v)的点的预测结果，pg为全局域匹配器对整张特征图的预测结果，α为超参数，用来调节一致性损失在整体损失中所占的权重。