1.一種城市場景垃圾檢測方法，其特征在于，包括如下步驟：
S10：選定VOC數據集作為垃圾檢測的基礎數據集，收集城市影像并挑選出含有無序丟棄垃圾的城市影像作為候選集，按照VOC數據集定義的格式對候選集中城市影像含有無序丟棄垃圾的區域進行標注，將標注后的城市影像與VOC數據集中已有數據進行融合；
S20：在融合后的VOC數據集基礎上，搭建垃圾檢測的深度學習平臺，在搭建的深度學習平臺上，獲取深度學習平臺提供的進行垃圾檢測的預訓練模型并對預訓練模型進行適應性先驗參數設置；
S30：采用預訓練模型對新獲取城市影像進行垃圾檢測，檢測新獲取城市影像是否存在垃圾及垃圾存在區域，給出檢測結果。
2.根據權利要求1所述的城市場景垃圾檢測方法，其特征在于，所述步驟S10具體為：收集城市影像，挑選出含有無序丟棄垃圾的城市影像作為候選集，按照VOC數據集定義的格式，采用矩形選擇框對候選集中城市影像含有無序丟棄垃圾的區域進行標注，標注完成后，將標注后的城市影像隨機的劃分為訓練集、驗證集和測試集，并分別將新獲取的訓練集、驗證集和測試集同VOC數據集中已有的訓練集、驗證集和測試集進行融合。
3.根據權利要求2所述的城市場景垃圾檢測方法，其特征在于，所述步驟S20具體為：
選擇Caffe深度學習框架進行深度學習平臺的實現，使用Model Zoo中的ZF模型作為垃圾檢測任務的預訓練模型。
4.根據權利要求3所述的城市場景垃圾檢測方法，其特征在于，所述步驟S20具體為：使用網格搜索的方法在融合后的VOC數據集上驗證不同先驗參數對城市影像的檢測精度。
5.根據權利要求4所述的城市場景垃圾檢測方法，其特征在于，所述步驟S30具體包括：
對新獲取的城市影像進行預處理，具體包括對新獲取城市影像進行裁剪、縮放，和/或進行均值提取處理；
將預處理之后的城市影像輸入深度學習的神經網絡，得到對城市影像中候選區域的分類和位置的回歸以得出檢測結果。
6.一種城市場景垃圾檢測系統，其特征在于，包括：
數據融合模塊，選定VOC數據集作為垃圾檢測的基礎數據集，收集城市影像并挑選出含有無序丟棄垃圾的城市影像作為候選集，按照VOC數據集定義的格式對候選集中城市影像含有無序丟棄垃圾的區域進行標注，將標注后的城市影像與VOC數據集中已有數據進行融合；
深度學習平臺搭建模塊，在融合后的VOC數據集基礎上，搭建垃圾檢測的深度學習平臺，在搭建的深度學習平臺上，獲取深度學習平臺提供的進行垃圾檢測的預訓練模型并對預訓練模型進行適應性先驗參數設置；
城市影像垃圾檢測模塊，采用預訓練模型對新獲取城市影像進行垃圾檢測，檢測新獲取城市影像是否存在垃圾及垃圾存在區域，給出檢測結果。
7.根據權利要求6所述的城市場景垃圾檢測系統，其特征在于，所述數據融合模塊收集城市影像，挑選出含有無序丟棄垃圾的城市影像作為候選集，按照VOC數據集定義的格式，采用矩形選擇框對候選集中城市影像含有無序丟棄垃圾的區域進行標注，標注完成后，將標注后的城市影像隨機的劃分為訓練集、驗證集和測試集，并分別將新獲取的訓練集、驗證集和測試集同VOC數據集中已有的訓練集、驗證集和測試集進行融合。
8.根據權利要求7所述的城市場景垃圾檢測系統，其特征在于，所述深度學習平臺搭建模塊選擇Caffe深度學習框架進行深度學習平臺的實現，使用Model Zoo中的ZF模型作為垃圾檢測任務的預訓練模型。
9.根據權利要求8所述的城市場景垃圾檢測系統，其特征在于，所述深度學習平臺搭建模塊使用網格搜索的方法在融合后的VOC數據集上驗證不同先驗參數對城市影像的檢測精度。
10.根據權利要求9所述的城市場景垃圾檢測系統，其特征在于，所述城市影像垃圾檢測模塊對新獲取的城市影像進行預處理，具體包括對新獲取城市影像進行裁剪、縮放，和/或進行均值提取處理；將預處理之后的城市影像輸入深度學習的神經網絡，得到對城市影像中候選區域的分類和位置的回歸以得出檢測結果。