1.一种基于深度学习置信度估计的目标检测方法，其特征在于，所述方法包括：获取待检测图像及第一训练集；

使用训练完成后的目标检测模型对所述待检测图像进行检测，获得检测结果；

其中，所述检测结果包括行人目标或者行人部件矩形框以及对应的后验概率；第一训练集中包括标注样本以及未标准样本，所述标注样本以矩形框表示目标的位置，以标签表示目标的类别，所述目标包括行人部件或者行人整体；

对所述检测结果进行归一化处理，得到归一化后的检测结果；

去除目标检测模型中输出层的分类函数保留所述目标检测模型中特征提取层的函数；

使用所述去除输出层分类函数的目标检测模型提取所述第一训练集中样本特征；

对所述特征进行归一化并输入高斯分类器中，以使所述高斯分类器对所述特征进行分类，获得每个特征的条件概率；

基于条件概率，估计分类类别的后验概率；

基于同一目标不同部件图像以及整体人体图像对应关系，将估计到的同一目标的部件特征以及整体特征的后验概率进行融合；

将融合后的后验概率确定为识别行人目标的置信度对待检测图像进行分类，选择输出置信度最高分类结果。

2.根据权利要求1所述的目标检测方法，其特征在于，所述训练完成后的目标检测模型的训练过程包括：

获取第二训练集；

所述第二训练集中包括：各个部件图像以及整体人体图像；

使用所述第一训练集迭代训练预设目标检测模型，得到训练完成后的目标检测模型。

3.根据权利要求1所述的目标检测方法，其特征在于，所述去除目标检测模型中输出层的分类函数保留所述目标检测模型中特征提取层的函数包括：将目标检测模型中的分类网络的分类函数去除，保留特征提取网络。

4.根据权利要求1所述的目标检测方法，其特征在于，所述条件概率为：其中，x是d维特征空间中来自ωi类别的特征向量，N(μi,Σi)表示均值为μi，协方差为Σi的高斯分布，T表示转置。

5.根据权利要求4所述的目标检测方法，其特征在于，所述基于所述条件概率，估计分类类别的后验概率包括：

将所述条件概率与所述分类模型的先验概率的乘积，确定为分类类别的后验概率；

估计后验概率中的调整量；

其中，所述后验概率表示为：p(ωi|x)＝p(ωi)p(x|ωi)，p(ωi)是先验概率。

6.根据权利要求5所述的目标检测方法，其特征在于，所述后验概率为：其中，αi和βi为调整量，yj为目标检测模型的的检测结果，样本j识别正确则为1，识别错误则为0。

7.根据权利要求6所述的目标检测方法，其特征在于，所述估计后验概率中的调整量包括：

通过最小化损失函数估计调整量；

所述损失函数为：

8.根据权利要求4所述的目标检测方法，其特征在于，所述融合后的置信度为：其中，ri为第i个部件的矩形框的面积，r0为完整行人的矩形框面积，p0为高斯分类器估计得到的完整行人检测结果置信度，pi为高斯分类器估计得到的第i个完整行人检测结果置信度。

9.根据权利要求4所述的目标检测方法，其特征在于，在所述基于同一目标不同部件图像以及整体人体图像对应关系，将估计到的同一目标的部件特征以及整体特征的后验概率进行融合之前，所述目标检测方法包括：将所述后验概率进行归一化；

所述归一化后的后验概率表示为：

10.一种基于深度学习置信度估计的目标检测装置，其特征在于，所述目标检测装置包括：

获取模块，用于获取待检测图像及第一训练集；

检测模块，用于使用训练完成后的目标检测模型对所述待检测图像进行检测，获得检测结果；

其中，所述检测结果包括行人目标或者行人部件矩形框以及对应的后验概率；第一训练集中包括标注样本以及未标准样本，所述标注样本以矩形框表示目标的位置，以标签表示目标的类别，所述目标包括行人部件或者行人整体；

归一化模块，用于对所述检测结果进行归一化处理，得到归一化后的检测结果；

去除模块，用于去除目标检测模型中输出层的分类函数保留所述目标检测模型中特征提取层的函数；

提取模块，用于使用所述去除输出层分类函数的目标检测模型提取所述第一训练集中样本特征；

第一分类模块，用于对所述特征进行归一化并输入高斯分类器中，以使所述高斯分类器对所述特征进行分类，获得每个特征的条件概率；

估计模块，用于基于条件概率，估计分类类别的后验概率；

融合模块，用于基于同一目标不同部件图像以及整体人体图像对应关系，将估计到的同一目标的部件特征以及整体特征的后验概率进行融合；

第二分类模块，用于将融合后的后验概率确定为识别行人目标的置信度对待检测图像进行分类，选择输出置信度最高分类结果。