1.一種自適應(yīng)深度空間特征的行人識(shí)別方法，其特征在于，包括如下步驟：
步驟S1：獲取行人圖像，并根據(jù)預(yù)設(shè)的分割數(shù)目n將所述行人圖像進(jìn)行分割，得到n塊行人圖像分塊；
步驟S2：建立與行人圖像分塊數(shù)目相同的n組特征提取模型，所述n組特征提取模型一一對(duì)應(yīng)的從所述n塊行人圖像分塊中提取特征信息，得到n組特征信息；
步驟S3：建立與特征信息組別數(shù)目相同的n組特征分類器，所述n組特征分類器一一對(duì)應(yīng)的對(duì)所述n組特征信息進(jìn)行特征分類；
步驟S4：根據(jù)反向傳播算法分別計(jì)算每組特征分類過程中所產(chǎn)生的損失值，得到n組損失值；
步驟S5：將n組損失值分別返回對(duì)應(yīng)的特征提取模型和特征分類器中，得到優(yōu)化后的特征提取模型和特征分類器。
2.根據(jù)權(quán)利要求1所述的自適應(yīng)深度空間特征的行人識(shí)別方法，實(shí)現(xiàn)步驟S5的具體方法為：將n組損失值分別返回對(duì)應(yīng)的特征提取模型和特征分類器中，所述特征提取模型根據(jù)返回的損失值來調(diào)整配置參數(shù)，得到優(yōu)化后的特征提取模型，所述特征分類器根據(jù)返回的損失值來調(diào)整配置參數(shù)，得到優(yōu)化后的特征分類器。
3.根據(jù)權(quán)利要求1所述的自適應(yīng)深度空間特征的行人識(shí)別方法，其特征在于，所述步驟S5后還包括步驟S6：通過n個(gè)優(yōu)化后的特征提取模型和特征分類器來得到優(yōu)化后的n組特征分類。
4.根據(jù)權(quán)利要求3所述的自適應(yīng)深度空間特征的行人識(shí)別方法，其特征在于，實(shí)現(xiàn)步驟S6的具體方法為：將n塊行人圖像重新輸入n個(gè)已優(yōu)化的特征提取模型中，得到優(yōu)化后的n組特征信息，并將n組特征信息輸入n個(gè)已優(yōu)化的特征分類器，得到優(yōu)化后的n組特征分類。
5.根據(jù)權(quán)利要求3或4所述的自適應(yīng)深度空間特征的行人識(shí)別方法，其特征在于，得到優(yōu)化后的n組特征分類后還包括步驟：將優(yōu)化后的n組特征分類進(jìn)行特征融合，得到行人圖像的特征融合數(shù)據(jù)。
6.根據(jù)權(quán)利要求5所述的自適應(yīng)深度空間特征的行人識(shí)別方法，其特征在于，得到行人圖像的特征融合數(shù)據(jù)后還包括步驟：對(duì)行人圖像的特征融合數(shù)據(jù)設(shè)置標(biāo)簽。
7.根據(jù)權(quán)利要求1所述的自適應(yīng)深度空間特征的行人識(shí)別方法，其特征在于，所述特征提取模型包括參數(shù)配置模塊、多層卷積層、池化層和多層全連接層，
所述參數(shù)配置模塊，用于對(duì)多層卷積層、池化層和多層全連接層進(jìn)行參數(shù)配置，并根據(jù)損失值更新各個(gè)所述參數(shù)配置；
所述多層卷積層，用于對(duì)行人圖像分塊進(jìn)行多層卷積運(yùn)算，并根據(jù)神經(jīng)元激活函數(shù)計(jì)算多層卷積的輸出值來提取特征信息；
所述池化層，用于對(duì)提取到的特征信息進(jìn)行最大池化處理來減小行人圖像分塊的尺寸；
所述多層全連接層，用于對(duì)最大池化處理后的行人圖像分塊進(jìn)行多層神經(jīng)元節(jié)點(diǎn)的連接運(yùn)算。
8.根據(jù)權(quán)利要求1-7任一項(xiàng)所述的自適應(yīng)深度空間特征的行人識(shí)別方法，其特征在于，所述特征分類器為Softmax分類器。
9.一種自適應(yīng)深度空間特征的行人識(shí)別系統(tǒng)，其特征在于，包括：
分割模塊，用于獲取行人圖像，并根據(jù)預(yù)設(shè)的分割數(shù)目n將所述行人圖像進(jìn)行分割，得到n塊行人圖像分塊；
特征信息提取模塊，用于建立與行人圖像分塊數(shù)目相同的n組特征提取模型，所述n組特征提取模型一一對(duì)應(yīng)的從所述n塊行人圖像分塊中提取特征信息，得到n組特征信息；
特征信息分類模塊，用于建立與特征信息組別數(shù)目相同的n組特征分類器，所述n組特征分類器一一對(duì)應(yīng)的對(duì)所述n組特征信息進(jìn)行特征分類；
損失值模塊，用于根據(jù)反向傳播算法分別計(jì)算每組特征分類過程中所產(chǎn)生的損失值，得到n組損失值；
優(yōu)化模塊，用于將n組損失值分別返回對(duì)應(yīng)的特征提取模型和特征分類器中，得到優(yōu)化后的特征提取模型和特征分類器。
10.根據(jù)權(quán)利要求9所述的自適應(yīng)深度空間特征的行人識(shí)別系統(tǒng)，所述優(yōu)化模塊中，將n組損失值分別返回對(duì)應(yīng)的特征提取模型和特征分類器中，所述特征提取模型根據(jù)返回的損失值來調(diào)整各自的配置參數(shù)，得到優(yōu)化后的特征提取模型，所述特征分類器根據(jù)返回的損失值來調(diào)整各自的配置參數(shù)，得到優(yōu)化后的特征分類器。