1.一种基于深度学习和躯干提取的行人识别系统，其特征在于，所述系统包括：数据输入层、第一卷积层、子采样层、第二卷积层和数据输出层；所述数据输入层信号连接于第一卷积层；所述第一卷积层信号连接于子采样层；所述子采样层信号连接于第二卷积层；所述第二卷积层信号连接于数据输出层。
2.如权利要求1所述的基于深度学习和去干提取的行人识别系统，其特征在于，所述数据输入层用于获取原始的图像数据，对获取的图像数据进行预处理，将预处理后的图像数据发送给第一卷积层。
3.如权利要求1或2所述的基于深度学习和躯干提取的行人识别系统，其特征在于，所述第一卷积层用于把输入的图像提取出多幅特征提取图，将提取出的多幅特征提取图发送给子采样层。
4.如权利要求3所述的基于深度学习和躯干提取的行人识别系统，其特征在于，所述子采样层用于将获取的多幅特征提取图再次进行特征提取和取样压缩，将处理后的图像发送给第二卷积层。
5.如权利要求4所述的基于深度学习和躯干提取的行人识别系统，其特征在于，所述第二卷积层用于将特征图提取成局部检测图，并通过隐藏层获得这些局部检测图的的评分。
6.如权利要求5所述的基于深度学习和躯干提取的行人识别系统，其特征在于，所述系统还包括若干个遮挡滤波器，所述折当率波器分为不同等级，高一级的组件由低一级的组件构成，越是高级的组件也就越是完整，最高级的组件也可能处于被遮挡状态，进而得到局部检测图。
7.一种基于权利要求1至5之一所述的基于深度学习和躯干提取的行人识别系统的方法，其特征在于，所述方法包括以下步骤：
步骤1：首先对行人的整体特征进行提取，然后构建深度学习模型，获取图像累积梯度信息，找出行人目标可能存在的感兴趣区域；
步骤2：再对行人的局部特征进行进一步提取：构建躯干模型，利用纹理特征提取算法获取行人纹理特征；
步骤3：利用第一卷积层以及子采样层共同作用，形成模型的特征提取层，利用第二卷积层对特征提取图进行处理后得到局部检测图。
8.如权利要求6所述的基于深度学习和躯干提取的行人识别方法，其特征在于，所述纹理特征提取算法的方法为：首先对像素点的梯度进行计算，根据计算结果寻找并将像素发生一定程度变化的区域作为感兴趣区域，对这些区域进行重点关注，减少特征提取的搜寻区域，增强特征计算的实时性；同时取区域中像素的平均亮度值为阈值平滑特征纹理信息。