1.一种基于个体步行运动时空规律协同辨识的行人重识别方法，其特征在于，包括以下步骤：
步骤1：获取预定时期内目标对象定长距离和变长距离下的步行运动轨迹数据，并统计定长距离和变长距离下相对应的时间间隔，即单次不间隔的运动距离所需时间；
步骤2：建立不同区域内m个目标对象定长距离步行运动规律模型；
步骤3：利用bp网络学习训练并建立目标对象相同区域内基于定长距离时间规律模型到变长距离下的目标对象个体步行运动时间规律模型的函数转化关系；
步骤4：调整变长距离下目标对象个体步行运动规律模型；
步骤5：目标对象个体步行运动时空规律协同辨识行人重识别；
步骤5.1：在某次观察行人重识别过程中，目标对象穿越a区域时间为t1，且穿越b区域时间为t2，利用贝叶斯网络计算跨区域目标对象空间运动事件的概率；
步骤5.2：将得到的目标对象空间运动事件的概率与传统行人重识别方法计算的视觉概率融合计算，得到联合概率排序，协助辨识身份。
2.根据权利要求1所述的基于个体步行运动时空规律协同辨识的行人重识别方法，其特征在于，步骤2的具体实现包括以下子步骤：
步骤2.1：计算人脸特征表达模型，采集并建立目标对象个体时空运动数据集，包含定长距离和变长距离和其对应的时间间隔；
步骤2.2：针对不同类型场景的数据统计两点间运动的时间间隔，并通过量化分析计算定点距离间运动时间间隔分布，建立不同区域内的个体定长距离下的运动时空行为模型；其中，个体步行运动时空行为规律在同路段条件下存在一致性，个体步行运动时空行为规律在同类型路段条件下存在一致性，相异个体步行运动时空行为规律存在差异性；
步骤2.3：对m个已知目标对象建立特征模型，包括m个目标对象人脸特征数据库和m个目标对象相对应的个体时空行为特征数据库；
计算人脸特征表达模型，分别对m个目标对象建立个体运动时空行为模型，将人脸特征和时空行为参数特征相关联，组建m个目标对象从身份-人脸图像-步行运动时空行为模式相对应的特征数据库。
3.根据权利要求2所述的基于个体步行运动时空规律协同辨识的行人重识别方法，其特征在于：步骤2.2中，个体步行运动时空行为模型具有个体间行为模式的差异性，对于两个离散概率分布，通过相对熵计算时空运动概率模型的差异；设两两比较的概率模型分别为p和q，则有，
其中，p(x)和q(x)分别表示两个时空运动概率模型(离散概率分布)，x表示定点距离下的时间间隔；
当相对熵d(p||q)为零时，证明两个概率分布相同，使用fisher线性判别分析模型中的参数特征，使得类间离散度尽可能大，类内离散度尽可能小，使得参数特征不同的两类之间尽可能分开。
4.根据权利要求1所述的基于个体步行运动时空规律协同辨识的行人重识别方法，其特征在于，步骤4的具体实现包括以下子步骤：
步骤4.1：统计变长距离下的时间间隔分布；
步骤4.2：计算随距离变化的随机事件时间概率密度函数参数，将计算结果按照距离段的2/3划分为训练，1/3划分为测试进行下一步的修正模型训练；
步骤4.3：选用bp网络学习训练相同区域变长距离下目标对象个体步行运动规律模型的修正函数模型；其中bp网络为1个输入层、1个隐藏层和1个输出层的3层网络结构，输入层结点数为3，输出层节点数为2，设置隐藏层结点数为7。
5.根据权利要求4所述的基于个体步行运动时空规律协同辨识的行人重识别方法，其特征在于：步骤4.3中，基于定长距离下个体步行运动时空行为规律模型，利用bp网络训练变长距离下个体步行运动时空行为规律模型的修正函数f(μ,σ2,d)，其中，d是变化的距离值。
6.根据权利要求1所述的基于个体步行运动时空规律协同辨识的行人重识别方法，其特征在于：步骤5.1中，以目标对象穿越a区域时间为t1，且穿越b区域时间为t2，利用贝叶斯网络计算跨区域对象空间运动事件的概率：
其中，a表示a区域场景下目标对象步行运动时间行为模式，b表示b区域场景下目标对象步行运动时间行为模式，c表示发生跨场景的事件；
拓展到多个不同条件类型的场景区域，该发生概率为：
其中，m表示m个目标对象，n表示n个不同类型的场景，si表示目标经过的不同类型的场景下目标对象步行运动时间行为模式，cj表示发生跨场景的事件。
7.根据权利要求1所述的基于个体步行运动时空规律协同辨识的行人重识别方法，其特征在于：步骤5.2中，通过个体步行运动事件发生概率和行人视觉概率的联合概率表示行人辨识的准确率；联合概率越大，表示查询图像是与个体步行运动规律关联越强，则对应到模板中的个体身份，实现行人辨识。
8.根据权利要求1-7任意一项所述的基于个体步行运动时空规律协同辨识的行人重识别方法，其特征在于：步骤5.2中，采用rank-1命中率作为评价指标，表示个体步行运动事件发生概率和行人视觉概率的联合概率排序最靠前的对象是正确结果的概率。