1.一种基于显著性模型下多尺度特征的行人重识别方法，其特征在于，具体步骤如下：步骤1，首先根据原始行人图像对图像进行超像素分割；

步骤2，将经步骤1分割后的原图像转为超像素图像，并对得到的超像素图像进行显著性提取，得到行人图像的显著性图；

步骤3，将经步骤2得到的行人图像的显著性图输入到Resnet‑50卷积神经网络中进行训练，当训练损失达到最低时即训练结束，并提取出行人图像的显著性图的显著性特征；

步骤4，将原始行人图像输入到另一个Resnet‑50卷积神经网络中进行训练，当训练损失达到最低时即训练结束，并提取出原始行人图像的卷积特征；

步骤5，将经步骤3和步骤4得到的显著性特征和卷积特征进行融合，将两个不同的特征进行加权，得到加权后的融合特征；

步骤6，利用经步骤5得到的融合特征对行人图像数据库中的图像特征进行距离度量，根据度量后的不同距离进行图像排序，识别出高契合度的行人图像，最终检索出特定行人图像。

2.根据权利要求1所述的一种基于显著性模型下多尺度特征的行人重识别方法，其特征在于，所述步骤1具体内容为：根据原始数据库中的行人图像，对行人图像进行超像素分割，将彩色图像转化为CIELAB颜色空间和XY坐标下的5维特征向量，然后对5维特征向量构造距离度量标准，对图像像素进行局部聚类。

3.根据权利要求2所述的一种基于显著性模型下多尺度特征的行人重识别方法，其特征在于，所述步骤1具体包括以下步骤：步骤1.1，初始化种子点，即聚类中心：按照设定的超像素个数，在图像内均匀的分配种子点；假设图片总共有N个像素点，预分割为K个相同尺寸的超像素，每个超像素的大小为N/K，则相邻种子点的步长近似为S＝sqt(N/K)；

步骤1.2，在种子点的n*n，n＝3，邻域内重新选择种子点，具体方法为：计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方；

步骤1.3，在每个种子点周围的邻域内为每个像素点分配类标签；

步骤1.4，距离度量，包括颜色距离和空间距离；对于每个搜索到的像素点，分别计算它和该种子点的距离，距离计算方法如下：式中，dc为颜色距离，ds为空间距离，Ns为类内最大空间距离，定义为Ns＝S＝sqrt(N/K)，Nc为最大的颜色距离；

步骤1.5，迭代优化，上述步骤不断迭代直到误差收敛，新建一张标记表，表内元素均为‑1，按照“Z”型走向将不连续的超像素、尺寸过小超像素重新分配给邻近的超像素，遍历过的像素点分配给相应的标签，直到所有点遍历完毕为止。

4.根据权利要求1所述的一种基于显著性模型下多尺度特征的行人重识别方法，其特征在于，所述步骤2具体包括以下步骤：根据步骤1中得到的超像素信息图像分别计算每一个超像素点的显著性，通过计算每一个像素点i到超像素点的距离作为图像的显著性，分别需要计算全局、边缘和边缘的显著性，具体内容包括以下步骤：步骤2.1，首先计算每个超像素点的全局显著性，对于超像素i，计算i到所有超像素点的距离之和，作为这个点的显著性，如下式：为了便于显示，对其进行规范到[0,255]：

之后用Sa(i)代替超像素点的灰度值；

步骤2.2，计算每个超像素块边缘的显著性，求距离之和时先判断j是否处于边缘，设一阈值，当某点距离边缘的距离小于阈值，则认定为边缘点，如下式(4)：步骤2.3，计算每一个超像素块的局部显著性，首先判断i与j的欧氏距离是否小于某个阈值，如果小于，则按下式计算显著性：

5.根据权利要求1所述的一种基于显著性模型下多尺度特征的行人重识别方法，其特征在于，所述步骤3具体包括以下步骤：步骤3.1，利用经步骤2得到的显著性行人图像，作为Resnet‑50卷积神经网络的训练集，对resnet‑50卷积神经网络进行训练，图像处理中比较常见的就是二维卷积：给定一个图像X∈R^{M*N},一个滤波器W∈R^{m*n},m＜＜M，其卷积为步骤3.2，根据步骤3.1对网络进行训练，训练的过程中不断会有权重的更新和误差的产生，将网络的误差达到最小值，其网络的误差公式为：式中，总误差中的d，y分别是期望输出和网络输出的向量，L为网络层级数，||x||2表示向量x的2‑范数，计算表达式为权值损失函数Loss是关于权值W的函数，即Loss(W)，权值的更新公式为：Wi+1＝ΔW+Wi (9)

式中，Wi是不同层级的权重，n是网络的学习率；

步骤3.3，根据步骤3.1和步骤3.2的网络训练过程，在不断卷积操作的过程中，卷积核的权重不断更新，最终使得损失函数的loss值达到最低状态，卷积神经网络就训练完成；将待查询的行人图像作为卷积神经网络的输入到训练好的resnet‑50卷积神经网络中即可得到待查询行人图像的特征向量w1，此特征向量为待查询行人图像的显著性局部特征。

6.根据权利要求1所述的一种基于显著性模型下多尺度特征的行人重识别方法，其特征在于，所述步骤4具体包括以下步骤：与步骤3相同，使用相同的方法训练新的resnet‑50卷积神经网络，通过卷积处理得到不同的特征映射，并且使用Loss函数对网络中的权重不断进行跟新，以达到最佳的训练效果；与步骤3不同的地方在于，步骤4需要得到行人图像的整体图像特征，即全局特征；因此需要在网络训练的过程中输入原始数据库中的行人图像，通过原始图像对resnet‑50卷积神经网络进行训练，在这一个训练过程中，resnet‑50卷积神经网络的权重更加倾向于原始行人图像的特征，到卷积全局特征w2。

7.根据权利要求1所述的一种基于显著性模型下多尺度特征的行人重识别方法，其特征在于，所述步骤5具体包括以下步骤：将经步骤3得到的显著性局部特征和步骤4得到的卷积全局特征进行特征加权；最终的特征加权函数为：w＝w1+λw2 (10)

式中，w1为步骤3得到的显著性局部特征，w2为步骤4得到的卷积全局特征，λ为w2特征的权重值。

8.根据权利要求1所述的一种基于显著性模型下多尺度特征的行人重识别方法，其特征在于，所述步骤6具体包括以下步骤：将经步骤5得到的融合特征进行距离度量；距离度量方式为马氏距离，其具体的马氏距离度量公式为：式中，x为待查询行人图像的特征向量，y为数据库中的比对图像的特征向量。