1.一种基于深度学习的人体属性识别方法，其特征在于，包括如下步骤：
步骤S1：利用poselet检测子构建人体部位数据集；
步骤S2：根据所述人体部位数据集训练出poselet特征向量；
步骤S3：利用所述poselet特征向量通过卷积神经网络训练出人体属性分类器。
2.如权利要求1所述一种基于深度学习的人体属性识别方法，其特征在于，所述步骤S1：利用poselet检测子构建人体部位数据集的步骤中，具体包括如下步骤：
步骤S1.1：随机挑选带有属性的有标训练集；
步骤S1.2：利用poselet检测子在所述训练集上检测出主体人物的边框数据以及所述边框数据包含的posele，所述主体人物的边框数据以及所述边框数据包含的posele构成所述人体部位数据集。
3.如权利要求2所述一种基于深度学习的人体属性识别方法，其特征在于，在所述步骤S2中，根据所述人体部位数据集，利用Faster R-CNN结构训练出poselet特征向量。
4.如权利要求3所述一种基于深度学习的人体属性识别方法，其特征在于，所述步骤S2：根据所述人体部位数据集训练出poselet特征向量的步骤中，具体包括如下步骤：
步骤S2.1：将步骤S1.2中的边框数据输入到RPN中进行处理，得到候选区域；
步骤S2.2：将所述候选区域输入到Fast R-CNN中进行处理，得到RoI特征向量；
步骤S2.3：将所述RoI特征向量输入到全连接层中，输出poselet特征向量，所述poselet特征向量包括softmax向量和bbox regressor向量。
5.如权利要求4所述一种基于深度学习的人体属性识别方法，其特征在于，所述步骤S3：利用所述poselet特征向量通过卷积神经网络训练出人体属性分类器的步骤中，具体包括如下步骤：
步骤S3.1：使用poselet特征向量，提取poselet RGB特征图像；
步骤S3.2：筛选softmax向量对应的得分符合预设标准的poselet RGB特征图像；
步骤S3.3：将所述得分符合预设标准的poselet RGB特征图像输入到卷积神经网络中，得到图像特征属性对应的poselet特征；
步骤S3.4：根据步骤S3.3中得到的所述图像特征属性对应的poselet特征，得到人体属性分类器。
6.如权利要求5所述一种基于深度学习的人体属性识别方法，其特征在于，所述步骤S3.4：根据步骤S3.3中得到的所述图像特征属性对应的poselet特征，得到人体属性分类器，包括如下步骤：
根据步骤S3.3中的一个图像特征属性对应的poselet特征进行人体属性分类器的训练，得到基于单个poselet的人体属性分类器。
7.如权利要求5所述一种基于深度学习的人体属性识别方法，其特征在于，所述步骤S3.4：根据步骤S3.3中得到的所述图像特征属性对应的poselet特征，得到人体属性分类器，还包括如下步骤：
将所述步骤S2.2得到的多个所述RoI特征向量和所述步骤S3.3中得到的多个图像特征属性对应的poselet特征进行串联，得到最终的人体属性分类器。
8.如权利要求5所述一种基于深度学习的人体属性识别方法，其特征在于，所述步骤S3.4：根据步骤S3.3中得到的所述图像特征属性对应的poselet特征，得到人体属性分类器，还包括如下步骤：
将所述步骤S2.2得到的全部所述RoI特征向量和所述步骤S3.3中得到的全部图像特征属性对应的poselet特征进行串联，得到最终的人体属性分类器。
9.如权利要求1-8中任一项所述一种基于深度学习的人体属性识别方法，其特征在于，所述步骤S3.1：使用poselet特征向量，提取poselet RGB特征图像的步骤中，具体包括如下步骤：
通过所述softmax向量获得poselet的分类，通过bbox regressor向量获得poselet对应的bounding box，将所述poselet的分类与所述通过bbox regressor向量获得poselet对应的bounding box进行组合，根据所述组合提取poselet RGB特征图像。
10.如权利要求9所述一种基于深度学习的人体属性识别方法，其特征在于，所述步骤S3.3中所述卷积神经网络包括4个卷积层、max pooling层、localresponse normalization层和全连接层。