1.一种基于K-means聚类和区域推荐网络的行人检测方法，其特征在于，该方法包括以下步骤：(1)构建特征提取网络，所述特征提取网络为去除inception v1模块中所有最大池化层后的网络；

(2)将K-Means聚类算法加入所述特征提取网络的最后一个DepthConcat层中，所述最后一个DepthConcat层记为C9，得到检测候选区域；

(3)将所述检测候选区域作为RPN网络的输入，得到带有矩形区域的包围框，采用ROI池化层采集所述包围框，并计算所述包围框的特征映射，对包围框进行分类和回归；

(4)利用大量训练样本训练所述步骤(1)(2)和(3)搭建的模型，得到目标网络结构和目标网络参数以及最终的行人检测网络框架；

(5)采用测试样本对训练好的模型进行实时检测。

2.根据权利要求1所述的基于K-means聚类和区域推荐网络的行人检测方法，其特征在于，所述步骤(2)中，将K-Means聚类算法加入所述特征提取网络的C9中，包括以下步骤：(21)将C9输出的M特征集划分为Q*W个单元，每个单元给定A个不同高度和宽度比的候选区域；

(22)在Q*W*A个候选区域中选取N个候选区域，每个候选区域代表一个类，以候选区域的中心位置作为聚类中心点；

(23)采用欧氏距离度量一个候选区域的中心位置到各个类的距离，把这个候选区域归划给最近的类，移动候选区域到对应的类，移动后重新计算这个变化后的类的聚类中心，同时计算目标函数的值；

(24)判断聚类中心和目标函数的值是否发生变化，若不变，则输出聚类结果；否则，将下一个候选区域按照新的聚类中心重新进行上述操作，再次进行判断聚类中心是否移动或者目标函数的值是否发生变化；

(25)以此迭代操作直至达到条件或者N个候选区域都已完成聚类，得到与实际目标区相似的所述检测候选区域。

3.根据权利要求2所述的基于K-Means聚类和区域推荐网络的行人检测方法，其特征在于，所述步骤(25)中，所述目标函数表示为：min∑N ∑M(1-IoU(Box[N],Truth[M]))

其中，N为候选区域的总数，M为C9输出的特征集的个数，Box[N]候选区域的高度与宽度，Truth[M]实际目标区的高度和宽度，IoU为候选区域与实际目标区的交叠率。

4.根据权利要求1所述的基于K-Means聚类和区域推荐网络的行人检测方法，其特征在于，所述步骤(3)中，包围框的分类通过包围框分类网络实现，所述包围框分类网络为全连接层和softmax分类层后的子网络，其输出是每个锚是行人或背景的概率分布。

5.根据权利要求4所述的基于K-Means聚类和区域推荐网络的行人检测方法，其特征在于，所述步骤(3)中，包围框的回归通过包围框回归网络实现，所述包围框回归网络是与所述包围框分类网络并列的子网络，其计算每个包围框的位置偏移量，用于回归更加精确的目标检测框，同时只对包含目标的锚计算误差。

6.一种根据权利要求1～5任一项所述的基于K-Means聚类和区域推荐网络的行人检测方法实现的系统，其特征在于，包括：特征提取网络构建模块，用于构建特征提取网络，所述特征提取网络为去除inception v1模块中所有最大池化层后的网络；

候选区域生成模块，用于将K-Means聚类算法加入所述特征提取网络的最后一个DepthConcat中，所述最后一个DepthConcat记为C9，得到检测候选区域；

包围框分类回归模块，用于将所述检测候选区域作为RPN网络的输入，得到带有矩形区域的包围框，采用ROI池化层采集所述包围框，并计算所述包围框的特征映射，对包围框进行分类和回归；

训练模块，用于利用大量训练样本训练所述特征提取网络构建模块、候选区域生成模块以及包围框分类回归模块搭建的模型，得到目标网络结构和目标网络参数以及最终的行人检测网络框架；

测试模块，采用测试样本对训练好的模型进行实时检测。

7.根据权利要求6所述的基于K-Means聚类和区域推荐网络的行人检测系统，其特征在于，所述候选区域生成模块，包括：特征集划分单元，用于将C9输出的M特征集划分为Q*W个单元，每个单元给定A个不同高度和宽度比的候选区域；

候选区域选取单元，用于在Q*W*A个候选区域中选取N个候选区域，每个候选区域代表一个类，以候选区域的中心位置作为聚类中心点；

候选区域归类单元，用于采用欧氏距离度量一个候选区域的中心位置到各个类的距离，把这个候选区域归划给最近的类，移动候选区域到对应的类，移动后重新计算这个变化后的类的聚类中心，同时计算目标函数的值；

结果判断单元，用于判断聚类中心和目标函数的值是否发生变化，若不变，则输出聚类结果；否则，将下一个候选区域按照新的聚类中心重新进行上述操作，再次进行判断聚类中心是否移动或者目标函数的值是否发生变化；

检测候选区域生成模块，用于不断迭代操作，直至达到条件或者N个候选区域都已完成聚类，得到与实际目标区相似的所述检测候选区域。

8.根据权利要求6所述的基于K-Means聚类和区域推荐网络的行人检测系统，其特征在于，所述检测候选区域生成模块中，目标函数表示为：min∑N ∑M(1-IoU(Box[N],Truth[M]))

其中，N为候选区域的总数，M为C9输出的特征集的个数，Box[N]候选区域的高度与宽度，Truth[M]实际目标区的高度和宽度，IoU为候选区域与实际目标区的交叠率。

9.根据权利要求6所述的基于K-Means聚类和区域推荐网络的行人检测系统，其特征在于，所述包围框分类回归模块，包括：包围框分类单元，用于通过包围框分类网络实现包围框的分类，所述包围框分类网络为全连接层和softmax分类层后的子网络，其输出是每个锚是行人或背景的概率分布。

10.根据权利要求9所述的基于K-Means聚类和区域推荐网络的行人检测方法，其特征在于，所述包围框分类回归模块，还包括：包围框回归单元，用于通过包围框回归网络实现包围框的回归，所述包围框回归网络是与所述包围框分类网络并列的子网络，其计算每个包围框的位置偏移量，用于回归更加精确的目标检测框，同时只对包含目标的锚计算误差。