1.一种结合深度学习与稀疏表示的室内场景识别方法，其特征在于，包括以下步骤：
步骤A、从室内场景库中随机挑选若干张室内场景图像作为训练样本，及将室内场景库中剩余的室内场景图像作为测试样本；
步骤B、利用Fast-RCNN算法对所述训练样本和测试样本进行物体类别判别和检测，得到训练样本和测试样本中每张室内场景图像中包含的物体类别、位置和分值信息，以构建得到每张室内场景图像的底层特征；
步骤C、利用词袋模型根据所述训练样本和测试样本中每张室内场景图像的底层特征，构建得到每张室内场景图像的中层特征；
步骤D、对所述训练样本中每张室内场景图像的中层特征进行糅合，构建得到稀疏字典；
步骤E、利用所述稀疏字典对输入的测试样本进行稀疏表示，及根据求解出的稀疏解与所输入的测试样本计算得到残差，并根据残差的大小判断测试样本所属的物体类别；
步骤F、将判断得到测试样本所属的物体类别输出。
2.根据权利要求1所述结合深度学习与稀疏表示的室内场景识别方法，其特征在于：所述步骤A还包括对每个室内场景图像进行归一化尺寸处理。
3.根据权利要求1所述结合深度学习与稀疏表示的室内场景识别方法，其特征在于：所述步骤C构建得到每张室内场景图像的中层特征，具体包括步骤：
步骤C1、将每张室内场景图像划分成若干层，每个层划分得到若干个子块；
步骤C2、对各层中每个子块内的每个像素点进行物体类别的判别，及结合判断出的物体类别所对应的位置和分值信息获得每个子块的直方图特征；
步骤C3、将所有层的所有子块的直方图特征串联组成一个特征向量，以获得室内场景图像的中层特征。
4.根据权利要求1所述结合深度学习与稀疏表示的室内场景识别方法，其特征在于：所述步骤D所构建得到过完备的稀疏字典。
5.根据权利要求1所述结合深度学习与稀疏表示的室内场景识别方法，其特征在于：所述步骤E根据残差最小值判断测试样本所属的物体类别。