1.一种基于特征融合和多核学习的行人再识别方法，其特征在于，包括如下步骤：

获取行人图像，并对所述行人图像进行预处理；

提取出行人图像的底层特征以及中层语义特征，并采用特征权重组合方法进行特征融合；

采用不同核函数对融合特征分别进行映射；

利用中心对齐方法为每个核函数赋予权重进行线性组合后得到复合核函数，按照所述复合核函数对所述融合特征进行复合映射；

采用多元逻辑回归算法对复合映射后的融合特征进行处理，计算出行人图像之间的相似度，利用相似度大小降序排列，得到行人分类值即行人再识别结果。

2.根据权利要求1所述的一种基于特征融合和多核学习的行人再识别方法，其特征在于，对所述行人图像进行预处理包括对利用深度学习方式对采集到的行人图像进行分割，将行人图像分为行人区域和背景区域，获取去掉背景区域后的行人图像。

3.根据权利要求1所述的一种基于特征融合和多核学习的行人再识别方法，其特征在于，所述行人图像的底层特征包括颜色直方图特征以及多层次导向边缘能量特征。

4.根据权利要求1所述的一种基于特征融合和多核学习的行人再识别方法，其特征在于，所述行人图像的中层语义特征包括颜色名称描述子，其提取过程包括将行人图像划分出多个水平带，对每一条带分别赋予颜色名称特征；采用概率潜在语义分析方法学习行人图像中每一个像素与维度颜色概率的关系，并将每一个像素映射成多维的颜色概率表达。

5.根据权利要求1所述的一种基于特征融合和多核学习的行人再识别方法，其特征在于，所述采用特征权重组合方法包括将底层特征和中层语义特征分别进行主元分析降维，采用线性判别分析给出权重系数值，并按照权重系数值进行特征融合。

6.根据权利要求1所述的一种基于特征融合和多核学习的行人再识别方法，其特征在于，所述不同核函数包括不同类型的核函数以及相同类型中不同参数的核函数。

7.根据权利要求1所述的一种基于特征融合和多核学习的行人再识别方法，其特征在于，所述复合核函数的求解方式包括为每个核函数设定一个初始权重值，并作为初始的多核线性组合；最大化居中对齐中心核矩阵得到权重集合，从所述权重集合中为每一个独立的核函数分配对应的权重值。

8.根据权利要求1所述的一种基于特征融合和多核学习的行人再识别方法，其特征在于，所述采用多元逻辑回归算法对复合映射后的融合特征进行处理包括采用拉普拉斯先验构建出基于多核学习的多元逻辑回归算法的损失函数，采用软阈值迭代算法求解所述损失函数。

9.根据权利要求8所述的一种基于特征融合和多核学习的行人再识别方法，其特征在于，在所述软阈值迭代算法上采用加速策略，即采用快速软阈值迭代算法求解所述损失函数。