1.一种跨尺度红外行人检测方法，其特征在于，所述跨尺度红外行人检测方法包括：构建亮度感知模块，通过结合四叉树‑贝塞尔插值算子及引导滤波器得到重构背景图像及亮度特征图像；设计EG‑Chimp优化模型并对构建的目标函数进行迭代寻优，得到动态特征优化图像；在YOLOv5算法框架下引入BiFPN特征金字塔结构以增强算法颈部网络的特征聚合能力；设计跨尺度特征融合模块以学习不同尺度特征间的权重参数；优化损失函数，通过引入CIOU回归损失函数加快算法收敛，进而实现跨尺度红外行人检测任务。

2.如权利要求1所述的跨尺度红外行人检测方法，其特征在于，所述跨尺度红外行人检测方法包括以下步骤：步骤一，结合四叉树‑贝塞尔插值算子及引导滤波器构建亮度感知模块并对输入图像进行亮度特征提取；

步骤二，设计EG‑Chimp优化模型，搭建YOLOv5检测算法框架并引入BiFPN特征金字塔结构，同时进行尺度跳跃连接；

步骤三，构建跨尺度特征融合模块，利用可学习权重参数对多尺度特征进行权值分配实现密集多目标场景下红外行人检测任务。

3.如权利要求1所述的跨尺度红外行人检测方法，其特征在于，所述亮度感知模块的构建包括：(1)构建四叉树‑贝塞尔插值算子，通过调节部分采样控制点恢复大规模像素矩阵，进而得到初始背景图像；

(2)利用引导滤波的局部线性拟合特性平滑初始背景图像边缘信息；

(3)利用线性相减算子提取红外亮度特征图像。

4.如权利要求1所述的跨尺度红外行人检测方法，其特征在于，所述EG‑Chimp优化模型的设计包括：(2)构建目标函数，同时兼顾动态特征优化图像IOir的梯度变化和能量损失：F＝min(LSF+λLCON)；

式中，LSF表示空间频率函数，能够反映图像空间突变如边缘的变化情况，数值越高，则表明图像中人物目标越清晰；LCON表示内容损失函数；

(2)针对所构建的目标函数，引入人猿优化模型，通过模拟人猿捕食和混乱抢食2种状态，最终得到动态特征优化图像。

5.如权利要求1所述的跨尺度红外行人检测方法，其特征在于，所述BiFPN特征金字塔结构包括：(3)在YOLOv5原始FPN‑PAN金字塔结构基础上，删除仅有一条输入边的节点；

(4)颈部网络自顶向下传递强语义信息，自底向上传递强定位信息，进而对不同尺度信息进行特征聚合；

(3)采用尺度跳跃连接的方式增强颈部网络特征聚合能力。

6.如权利要求1所述的跨尺度红外行人检测方法，其特征在于，所述跨尺度特征融合模块的构建包括：(1)对不同尺度特征进行尺度调整，在上采样过程中，利用1*1卷积调整通道数并引入最近邻插值；在下采样过程中，通过步长为2的3*3卷积完成1/2比例的下采样，并通过在2步卷积之前添加步长为2的最大池化层完成1/4比例的下采样；

(2)利用1*1的卷积预估计各输入特征的权重参数并通过soft‑max归一化函数进行微调；

(3)对尺度调整后的输入特征进行权重分配得到融合后的输出特征；

所述CIOU损失函数通过计算两框重叠面积、中心点距离及宽高比提高预测框的回归速度：gt

式中，b和b 分别表示预测框和目标框的中心点，ρ(·)为两框中心点间的欧式距离，C表示覆盖预测框与目标框之间的最小矩形的斜距，为限制预测框长宽比的权重参数，v表示衡量预测框与真实框宽高比的一致性参数。

7.一种应用如权利要求1～6任意一项所述的跨尺度红外行人检测方法的跨尺度红外行人检测系统，其特征在于，所述跨尺度红外行人检测系统包括：亮度特征提取模块，用于构建亮度感知模块，通过结合四叉树‑贝塞尔插值算子及引导滤波器得到重构背景图像及亮度特征图像；

动态特征优化模块，用于设计EG‑Chimp优化模型并对构建的目标函数进行迭代寻优，得到动态特征优化图像；

跨尺度特征融合模块，用于在YOLOv5算法框架下引入BiFPN特征金字塔结构，设计跨尺度特征融合模块以学习不同尺度特征间的权重参数；

红外行人检测模块，用于优化损失函数，引入CIOU回归损失函数，利用可学习权重参数对多尺度特征进行权值分配实现红外行人检测。

8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1～6任意一项所述的跨尺度红外行人检测方法。

9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1～6任意一项所述的跨尺度红外行人检测方法。

10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求

7所述的跨尺度红外行人检测系统。