1.一种基于生成式对抗网络的行人检测数据扩充方法，其特征在于，包括：
s1、搭建三层级联生成式对抗神经网络模型，并设定模型训练的目标函数；每层生成式对抗神经网络均采用bicyclegan的结构，生成器采用残差u-net结构，后一层的网络的输入为行人实例掩码图片和前一层网络的输出；
s2、训练数据预处理；
s3、采用预处理后的数据训练三层级联生成式对抗神经网络模型；
s4、通过三层级联生成式对抗神经网络模型完成行人检测数据的扩充。
2.根据权利要求1所述的基于生成式对抗网络的行人检测数据扩充方法，其特征在于，所述s1中，搭建三层级联生成式对抗神经网络模型具体过程包括：
s11、构建残差u-net结构的生成器，生成器的编码器部分加入多尺度残差块，生成器的解码器部分加入通道注意力残差块；所述生成器在第一层、第二层、第三层网络中包含的基本块个数分别为n1＝12，n2＝14，n3＝16，在每层的第j个和第n-j个基本块之间跳连；所述基本块包括多尺度残差块和通道注意力残差块；
s12、基于patchgan的判别器进行构建判别器；
s13、基于残差网络构建编码器；
s14、级联网络每一层采用s11、s12、s13构建的生成器、判别器和编码器，第一层输入的图片分辨率为64*64，第二层为128*128，第三层为256*256；两层生成式对抗网络之间通过一个卷积层相连，形成三层级联生成式对抗神经网络；
s15、基于bicyclegan的目标函数加入基于vgg-19的感知损失作为三层级联生成式对抗神经网络模型的目标函数。
3.根据权利要求2所述的基于生成式对抗网络的行人检测数据扩充方法，其特征在于，所述步骤11中，生成器的编码器部分的每个中间层注入一个16维的隐层向量z，所述隐层向量z经过行人实例掩码遮掩。
4.根据权利要求3所述的基于生成式对抗网络的行人检测数据扩充方法，其特征在于，所述步骤15中三层级联生成式对抗神经网络模型的目标函数具体为：
其中，g*,e*分别代表生成器和编码器，dwhole是全局判别器，dlocal是局部判别器，
5.根据权利要求1或4所述的基于生成式对抗网络的行人检测数据扩充方法，其特征在于，所述s2的具体包括：
s21、从cityscapes数据集从取出每层生成对抗网络所需像素大小的行人样本图，得到行人样本图集合；
s22、根据cityscapes的实例标签图集合和步骤s1得到的行人样本图集合，获取每张行人样本图对应的实例标签图，将每个标签图与对应样本图对齐并剪裁，重复该过程，得到行人样本图集合对应的实例标签图集合l；
s23、将每张实例标签图中最中间的行人的像素点值置为1，其他像素点值置为0，得到每张样本图的行人实例掩码m；
s24、利用得到的行人实例掩码对对应行人样本图进行处理，得到经行人实例掩码后的图像bm；
s25、将cityscapes数据集的实例标签图与步骤s1获得的行人样本图集合对齐，将实例标签图中实例与实例的交界处像素值置为1，实例内的像素值置为0，则得到对应的实例边缘图e；
s26、将步骤s22、s23、s24、s25得到的集合中每张图片所对应的bm,m,l,e依次拼接，获得三层级联生成式对抗神经网络模型输入集合a，a＝{bm,m,l,e}。
6.根据权利要求5所述的基于生成式对抗网络的行人检测数据扩充方法，其特征在于，所述步骤21中，针对每层生成对抗式神经网格提取不同的行人样本图，
对于第一层网络，取出数据集中高度在[64，256]像素的行人样本，每一个行人样本是一张正方形图片，边长与行人等高，图片的中心为行人的中心，调整取出图片的大小(resize)为64*64像素；
对于第二层网络，取出高度在[100，1024]像素的行人样本，调整图片大小到128*128像素；
对于第三层网络，取出高度在[150，1024]像素的行人样本，调整图片大小到256*256像素。
7.根据权利要求6所述的基于生成式对抗网络的行人检测数据扩充方法，其特征在于，所述s3的具体包括：在训练级联网络时，训练n轮，
第一层网络的目标是学习生成器g1和编码器e1的权重，训练第一层时，目标函数不使用感知损失；
训练第二层时，前n/2轮固定生成器g1和编码器e1的权重，只更新生成器g2和编码器e2的权重，后n/2轮同时更新生成器g1、g2和编码器e1、e2的权重。
训练第三层时，前n/2轮固定生成器g1、g2和编码器e1、e2的权重，只更新生成器g3和编码器e3的权重，后n/2轮同时更新生成器g1、g2、g3和编码器e1、e2、e3的权重。
其中，g1、g2、g3分别指第一层、第二层、第三层生成式对抗神经网络的生成器；e1、e2、e3分别指第一层、第二层、第三层生成式对抗神经网络的编码器。
8.根据权利要求7所述的基于生成式对抗网络的行人检测数据扩充方法，其特征在于，s3中，采用adam优化方法更新权重，其学习率为wh-i*lr，其中lr是基础学习率，h是级联的总层数，i是当前所训练层的序数，w是权重参数。
9.根据权利要求8所述的基于生成式对抗网络的行人检测数据扩充方法，其特征在于，所述s4的具体包括：
s41、建立图片中行人高度ph与行人位置ppos的线性关系；
s42、根据数据集提供的实例标签标注，得到路面位置坐标集合；
s43、统计数据集提供的实例标签中已有行人的行人框底边10*10像素内的位置坐标，得到行人位置坐标集合；
s44、对于一张给定的需要生成行人的图片i，随机从路面位置坐标集合和行人位置坐标集合中选择一个数据集，再随机从这两个数据集中选一个位置，作为生成行人的位置ppos，根据步骤s41的线性关系，计算出新生成行人的高度ph；
从图片i中剪裁出一个ph*ph大小的背景图片ibg，其中心与生成的新的行人的中心一致；从行人实例掩码数据集中随机选择一个掩码m，以及它对应的实例掩码l和边缘图片e，根据ibg和掩码m计算得到经掩码后的图片bm，将掩码m、实例掩码l、边缘图片e以及经掩码后的图片bm一起输入训练好的三层级联生成式对抗神经网络模型，得到生成图片iped，在图片i中将背景图片ibg逐像素替换为生成图片iped，完成一次数据扩充；
s45、重复步骤41，得到大量扩充数据。
10.根据权利要求9所述的基于生成式对抗网络的行人检测数据扩充方法，其特征在于，所述s1中，行人高度ph与行人位置ppos的线性关系的具体为：
phglobal＝aglobal*pposglobal+bglobal
其中，phglobal为整个数据集中行人高度ph的统计值，pposglobal为整个数据集中行人位置ppos的统计值。