1.一种基于深度学习的图像处理方法，其特征在于，包括：

接收外部终端传输的视频文件，对外部终端进行安全检查；

从视频文件中分离图像帧，并从图像帧中提取含有目标特征的重要图像帧；

对重要图像帧进行校正，对校正后的重要图像帧进行清晰度调整，输出高分辨率图像；

基于深度学习构建目标特征规律模型，将得到的高分辨率图像输入目标特征规律模型确定目标特征规律；

对外部终端进行安全检查，具体包括如下子步骤：

步骤111、从外部终端的视频文件中提取外部终端信息，包括外部终端设备信息、数据包的发送接收时间、IP地址、端口；

步骤112、判断外部终端IP地址和端口是否在服务器中允许直接访问，如果是，则允许对外部设备的视频文件进行图像处理，否则执行步骤113；

步骤113、计算外部设备的安全程度，并计算服务器对外部设备的访问开放程度，如果外部设备的安全程度大于服务器的开放程度，则允许对外部设备的视频文件进行图像处理，否则拒绝外部终端请求；

对重要图像帧进行校正，具体包括如下子步骤：

从所有重要图像帧中提取目标区域，对目标区域进行反投影，比较原图像与反投影图像是否存在差异，选定差异在预定范围内的若干重要图像帧；

计算每个重要图像帧的清晰度，选择清晰度最高的图像作为参考图像帧，并对清晰度低于预设值的重要图像帧进行初始清晰度调整；

按照参考图像帧对其他重要图像帧进行像素、明暗度和特征区域调整；

基于深度学习构建目标特征规律模型，将得到的高分辨率图像输入目标特征规律模型确定目标特征规律，具体包括如下子步骤：步骤141、从得到的高分辨率图像中提取目标特征，形成目标特征向量；

步骤142、将目标特征向量集输入目标特征规律模型，训练多个阻尼趋势预测模型得到不同的子趋势预测模型，分别利用各个子趋势预测模型对目标特征向量集进行趋势预测，通过趋势预测结果估计得到各个子预测模型的权重的集合；

具体地，将目标行人特征向量集输入目标行人特征趋势模型，利用目标行人特征向量集训练多个阻尼趋势预测模型，将每个阻尼趋势预测模型作为子预测模型 再利用子预测模型对目标行人特征向量集进行预测，得到预测结果，通过预测结果采用公式估计子预测模型的权重的集合{λ1，λ2，λ3......λT}，其中，xi为目标特征向量中的目标形状特征，yi为目标特征向量的目标空间关系特征，μ1和μ2为目标形状特征和目标空间关系特征的影响权重，n为目标特征向量的总数，T为子预测模型的数量；

步骤143、寻找权重的集合中的每个权重对应的最优值，通过各个子预测模型和其对应的权重的最优值的组合确定目标特征规律；

具体地，计算各个子预测模型 的权重的集合{λ1，λ2，λ3......λT}中，每个权重对应的最优值；通过各个子预测模型 和其对应的权重的最优值{λ1，λ2，λ3......λT}组合确定目标特征规律

2.如权利要求1所述的一种基于深度学习的图像处理方法，其特征在于，从视频文件中提取外部终端信息，计算外部终端的安全度，若外部设备的安全度高于服务器安全度，则允许对外部设备的视频文件进行图像处理，否则拒绝外部终端请求。

3.如权利要求1所述的一种基于深度学习的图像处理方法，其特征在于，从图像帧中提取含有目标特征的重要图像帧，具体包括如下子步骤：从视频分离的所有图像帧中，查找包含目标特征的首个重要图像帧；

将首个重要图像帧中的目标特征进行灰度处理，确定目标特征的灰度值；

依据目标特征的灰度分布值计算待提取图像帧与首个重要图像帧之间的帧距，根据帧距确定包含目标特征的所有重要图像帧。

4.如权利要求1所述的一种基于深度学习的图像处理方法，其特征在于，从重要图像帧中提取目标区域，具体包括：获取重要图像帧中的前背景区域和未知区域，为了使未知区域中的点尽量向前背景区域靠近，以未知区域的每一个点为中心，获取其半径领域内的像素颜色与该点的像素颜色之间的距离，将该像素距离大于设定最大阈值的像素点作为前景区域，将小于设定最小阈值的像素点作为背景区域，以缩小未知区域的范围。

5.一种基于深度学习的图像处理系统，其特征在于，包括：

安全检查模块，用于接收外部终端传输的视频文件，对外部终端进行安全检查；

重要图像帧确定模块，用于从视频文件中分离图像帧，并从图像帧中提取含有目标特征的重要图像帧；

高分辨率图像输出模块，用于对重要图像帧进行校正，对校正后的重要图像帧进行清晰度调整，输出高分辨率图像；

深度学习模块，用于基于深度学习构建目标特征规律模型，将得到的高分辨率图像输入目标特征规律模型确定目标特征规律；

安全检查模块具体包括从外部终端的视频文件中提取外部终端信息，包括外部终端设备信息、数据包的发送接收时间、IP地址、端口；判断外部终端IP地址和端口是否在服务器中允许直接访问，如果是，则允许对外部设备的视频文件进行图像处理，否则计算外部设备的安全程度，并计算服务器对外部设备的访问开放程度，如果外部设备的安全程度大于服务器的开放程度，则允许对外部设备的视频文件进行图像处理，否则拒绝外部终端请求；

高分辨率图像输出模块具体包括从所有重要图像帧中提取目标区域，对目标区域进行反投影，比较原图像与反投影图像是否存在差异，选定差异在预定范围内的若干重要图像帧；计算每个重要图像帧的清晰度，选择清晰度最高的图像作为参考图像帧，并对清晰度低于预设值的重要图像帧进行初始清晰度调整；按照参考图像帧对其他重要图像帧进行像素、明暗度和特征区域调整；

深度学习模块具体包括从得到的高分辨率图像中提取目标特征，形成目标特征向量；

将目标特征向量集输入目标特征规律模型，训练多个阻尼趋势预测模型得到不同的子趋势预测模型，分别利用各个子趋势预测模型对目标特征向量集进行趋势预测，通过趋势预测结果估计得到各个子预测模型的权重的集合；具体地，将目标行人特征向量集输入目标行人特征趋势模型，利用目标行人特征向量集训练多个阻尼趋势预测模型，将每个阻尼趋势预测模型作为子预测模型 再利用子预测模型对目标行人特征向量集进行预测，得到预测结果，通过预测结果采用公式 估计子预测模型的权重的集合{λ1，λ2，λ3......λT}，其中，xi为目标特征向量中的目标形状特征，yi为目标特征向量的目标空间关系特征，μ1和μ2为目标形状特征和目标空间关系特征的影响权重，n为目标特征向量的总数，T为子预测模型的数量；寻找权重的集合中的每个权重对应的最优值，通过各个子预测模型和其对应的权重的最优值的组合确定目标特征规律；具体地，计算各个子预测模型 的权重的集合{λ1，λ2，λ3......λT}中，每个权重对应的最优值；通过各个子预测模型 和其对应的权重的最优值{λ1，λ2，λ3......λT}组合确定目标特征规律

6.如权利要求5所述的一种基于深度学习的图像处理系统，其特征在于，安全检查模块具体用于从视频文件中提取外部终端信息，计算外部终端的安全度，若外部设备的安全度高于服务器安全度，则允许对外部设备的视频文件进行图像处理，否则拒绝外部终端请求。

7.如权利要求5所述的一种基于深度学习的图像处理系统，其特征在于，重要图像帧确定模块，具体用于从视频分离的所有图像帧中，查找包含目标特征的首个重要图像帧；将首个重要图像帧中的目标特征进行灰度处理，确定目标特征的灰度值；依据目标特征的灰度分布值计算待提取图像帧与首个重要图像帧之间的帧距，根据帧距确定包含目标特征的所有重要图像帧。

8.如权利要求5所述的一种基于深度学习的图像处理系统，其特征在于，高分辨率图像输出模块中，从重要图像帧中提取目标区域，具体用于：获取重要图像帧中的前背景区域和未知区域，为了使未知区域中的点尽量向前背景区域靠近，以未知区域的每一个点为中心，获取其半径领域内的像素颜色与该点的像素颜色之间的距离，将该像素距离大于设定最大阈值的像素点作为前景区域，将小于设定最小阈值的像素点作为背景区域，以缩小未知区域的范围。