1.一种基于非对称映射半耦合字典对学习的低分辨率视频行人重学习方法，其特征在于，所述基于非对称映射半耦合字典对学习的低分辨率视频行人重学习方法包括：步骤一、对高分辨率行人视频和低分辨率行人视频分别进行时空特征提取；

步骤二、设计视频重构误差项、半耦合映射项和鉴别保真项，构造整体的目标函数；

步骤三、优化目标函数；从高低分辨率视频的特征中学习一对非对称映射、一对高低分辨率字典及一个投影矩阵，将低分辨率视频的特征转化为有鉴别的高分辨率特征；

步骤四、根据学习到的非对称映射、字典和投影矩阵，将高、低分辨率行人视频分别进行稀疏表示；

步骤五、通过步骤四得到的不同分辨率视频的稀疏表示，给定低分辨率probe视频集，计算与高分辨率gallery视频集的距离，并将距离最近的高分辨率视频作为匹配，实现不同分辨率视频间的行人重识别。

2.如权利要求1所述的基于非对称映射半耦合字典对学习的低分辨率视频行人重学习方法，其特征在于，步骤二进一步包括：摄像头A得到的训练样本为高分辨率视频，摄像头B得到的为低分辨率样本；A＝[A1,A2,...,AN]，B＝[B1,B2,...,BN]分别代表高分辨率视频和低分辨率视频的训练样本；N为训练样本的总数；对A执行下采样和平滑操作产生与B具有相同分辨率的图像集；O＝[O1,...,Ok,...,OC]为C个模拟的低分辨率视频，C代表摄像头A的样本下采样比例的数目；Ok＝[Ok,1,...,Ok,2,...,Ok,N]表示采用第k个下采样率获得的模拟低分辨率样本集合。

3.如权利要求2所述的基于非对称映射半耦合字典对学习的低分辨率视频行人重学习方法，其特征在于，学习一对字典用于不同分辨率视频的表示；X分别表示字典DH上A的编码系数矩阵，Zk为字典DL上Ok的系数矩阵Y为字典DH上B的系数矩阵；DH和DL为高分辨率视频和低分辨率视频对应的字典。

4.如权利要求2所述的基于非对称映射半耦合字典对学习的低分辨率视频行人重学习方法，其特征在于，摄像头A捕获的高分辨率视频为gallery集，摄像头B捕获的低分辨率视频为probe集；半耦合映射项如下：其中P代表高分辨率和模拟低分辨率视频编码系数之间的半耦合映射矩阵，对低分辨率造成的信息损失进行补充。

5.如权利要求1所述的基于非对称映射半耦合字典对学习的低分辨率视频行人重学习方法，其特征在于，步骤二中，视频重构误差项如下：其中W,W′,V代表高分辨率，模拟低分辨率和低分辨率样本的非对称视频内映射；每个人的特征集中包含的许多变量，非对称视频内映射的作用就是使得这些变量的影响最小，建模公式如下：其中μi表示第i个行人视频特征集的中心，μi,k表示第k个模拟低分辨率视频集中第i个行人视频特征集的中心； 是Ai的第j个特征向量，同理 是Ok,i的第j个特征向量， 是Bi的第j个特征向量。

6.如权利要求1所述的基于非对称映射半耦合字典对学习的低分辨率视频行人重学习方法，其特征在于，对重构的视频特征，鉴别保真项如下：其中∈S表示第i个元素和第j个元素属于同一行人，∈D表示两个元素属于不同行人；β为调整参数；学习到的映射P使得B中低分辨率特征系数重构后与A中高分辨率特征系数更近；

最后的PSDPL的目标函数同时结合视频重构误差，视频内的映射和半耦合映射矩阵，如下：其中 为正则化项，将编码系

数、视频间映射及映射矩阵正则化；α,η,θ,λ为平衡因子；I为单位矩阵。

7.如权利要求1所述的基于非对称映射半耦合字典对学习的低分辨率视频行人重学习方法，步骤三中，当其余变量固定的时，目标函数对于变量集合中每一个变量是凸的，利用交替迭代优化目标函数；公式(5)的目标函数分为4个子问题，即更新视频间映射W、W′和V，更新编码系数X、Z和Y，更新字典对DH和DL，更新稀疏表示系数间的投影矩阵P4个子问题。

8.如权利要求1所述的基于非对称映射半耦合字典对学习的低分辨率视频行人重学习方法，其特征在于，步骤四中，通过学习得到的字典对DH和；DL，投影P，视频内映射W和V，对测试视频进行鲁棒有效的稀疏表示；F记为低分辨率probe视频集的特征，G为高分辨率gallery视频集的特征；匹配过程包括：根据学习到的P,W和V，基于低分辨率视频字典DL，通过求解公式

probe视频的表示

系数f可以表示为

基于高分辨率视频字典DH，通过求解公式

gallery视频的表示系数g表示为

9.一种实施权利要求1所述基于非对称映射半耦合字典对学习的低分辨率视频行人重学习方法的低分辨率视频行人重学习控制系统。

10.一种实施权利要求1所述基于非对称映射半耦合字典对学习的低分辨率视频行人重学习方法的道路交通行人视频监控设备。