1.基于膨胀卷积残差网络的服装图像检索方法，其特征在于，包括以下步骤：步骤1、对待检索的服装图像进行预处理，得到预处理后的服装图像；

步骤2、通过Stem模块提取预处理后的服装图像的服装细节信息；

步骤3、将步骤2得到的服装细节信息通过膨胀卷积残差网络模块进行处理得到相应的深层语义特征；

步骤4、对上步所获得的深层次语义特征经过二值检索向量模块生成高维向量；

步骤5、采用主成分分析算法将上一步得到的高维向量进行降维，得到待检索的服装图像的特征向量x，通过混合距离度量算法分别计算特征向量x与图像数据库中各个图像的特征向量的空间距离，利用空间距离计算图像数据库中所有图像与待检索的服装图像的相似性，并进行相似性排序；

步骤6、按相似度由小到大的顺序输出图像数据库中前k个图像结果。

2.根据权利要求1所述的基于膨胀卷积残差网络的服装图像检索方法，其特征在于，Stem模块用于提取服装的边缘、转角和颜色信息，Stem模块包括7个串联的卷积层、第8层卷积组和第9层叠加层，第1层卷积到第7层池化层是多个小尺寸的卷积层串联,第8层卷积组用于并行提取多个感受野，第8层卷积组包括四个水平层，其中第1水平层采用最大池化层进行特征融合，第2、3和4水平层用于分别提取尺寸由小到大的感受野的特征图，第3水平层中，采用1*5的非对称卷积层和5*1的非对称卷积层。

3.根据权利要求2所述的基于膨胀卷积残差网络的服装图像检索方法，其特征在于，所述膨胀卷积残差网络模块包括4个串联的膨胀卷积残差网络单层。

4.根据权利要求3所述的基于膨胀卷积残差网络的服装图像检索方法，其特征在于，所述膨胀卷积残差网络单层中包括跳线结构，且都使用padding＝same模式。

5.根据权利要求1所述的基于膨胀卷积残差网络的服装图像检索方法，其特征在于，所述二值检索向量模块包括顺次串联的最大池化层、全局平均池化层和全连接层。

6.基于膨胀卷积残差网络的服装图像检索方法，其特征在于，所述混合距离度量算法包括以下步骤：步骤1、对于图像数据库的图像信息建立优化函数，计算出能够反映样本空间特性的度量矩阵M；

步骤2、计算向量x和向量y之间的余弦距离 计算特征向量x和图

像数据库中一个图像的特征向量y之间的马氏距离

步骤3、根据公式dist(x,y)＝distC(x,y)+distM(x,y)计算得到向量x和特征向量y之间的空间距离。

7.根据权利要求1所述的基于膨胀卷积残差网络的服装图像检索方法，其特征在于，利用triple损失函数对度量矩阵M进行反向传播优化。

8.根据权利要求1所述的基于膨胀卷积残差网络的服装图像检索方法，其特征在于，步骤5中利用高维近似近邻搜索的随机算法计算图像数据库中所有图像与待检索的服装图像的相似性。

9.基于膨胀卷积残差网络的服装图像检索系统，其特征在于，包括预处理模块、Stem模块、膨胀卷积残差网络模块、二值检索向量模块、混合距离度量算法计算模块和高维近似近邻搜索的随机算法计算模块；

预处理模块用于对待检索的服装图像进行预处理，得到预处理后的服装图像；

Stem模块用于提取预处理后的服装图像的服装细节信息；

膨胀卷积残差网络模块用于对得到的服装细节信息通过进行处理得到相应的深层次语义特征；

二值检索向量模块用于利用上步所获得的深层次语义特征生成高维向量；

混合距离度量算法计算模块用于采用主成分分析算法将高维向量进行降维，得到待检索的服装图像的特征向量x，通过混合距离度量算法分别计算特征向量x与图像数据库中各个图像的特征向量的空间距离；

高维近似近邻搜索的随机算法计算模块用于利用空间距离计算图像数据库中所有图像与待检索的服装图像的相似性，并进行相似性排序，并按顺序输出图像数据库中相似度排序靠前的前k个图像结果。