1.一种保留全局信息并增强局部特征的行人再识别方法，该方法应用在对应的网络模型之中，其特征在于，包括以下步骤：S1、数据准备阶段：对于行人图像，在网络模型中把原始的行人图像的尺寸大小变更为

384×128×3，其中384×128×3对应的图像的高度、宽度和通道数；

S2、特征提取阶段：通过全局-分支和局部-分支分别提取行人的全局特征信息和局部特征信息，然后将获得的信息进行全局平均池化和全局最大池化处理，其中：全局特征是指图像目标的整体属性，局部特征是指图像目标的局部属性，在网络模型中，把负责提取全局特征信息的网络分支命名为全局-分支，把负责提取局部特征信息的网络分支命名为局部-分支；

S3、特征融合及引导阶段：网络模型中的融合引导模块把全局特征信息分别和每个局部特征信息融合，融合后的特征信息不仅保留了行人的全局语义信息，而且增强了与之融合的相对应局部特征的表达能力；随着网络模型训练过程的反向传导和梯度更新，融合引导模块进一步使得全局-分支和局部-分支特征提取能力提升；

S4、模型训练阶段：将全局-分支和局部-分支的池化后的特征信息输入三元组损失函数进行度量学习，并将全局-分支、局部-分支和融合引导模块三个部分的特征输入交叉熵损失函数进行分类学习；

S5、模型评估阶段：将全局-分支、局部-分支和融合引导模块三个部分的特征输入各自已训练的分类器中，输出行人再识别分类结果。

2.根据权利要求1所述的一种保留全局信息并增强局部特征的行人再识别方法，其特征在于，S1具体为：网络模型中数据集的原始的行人图像i统一尺寸，转换公式为：I＝resize(i)

其中，I的尺寸为384×128×3。

3.根据权利要求2所述的一种保留全局信息并增强局部特征的行人再识别方法，其特征在于，S2中：将行人图像I输入网络模型，然后采用ResNet-50作为主干网络进行初步的特征提取，取ResNet-50的第3个残差块输出的特征图为Tb3，其大小为24×8×1024。

4.根据权利要求3所述的一种保留全局信息并增强局部特征的行人再识别方法，其特征在于，S2中：在全局-分支中，将Tb3输入ResNet-50的原始的第4个残差块，得到特征图Tb4，其大小为

12×4×2048；此处，将1×1卷积、3×3卷积和上采样操作分别表示为Conv1、Conv3和Upsample；因此，经过如下公式：b3 b4

Tg＝Conv1(Conv3(T +Conv1(Upsample(T ))))由全局信息增强模块可以得到特征图Tg，其大小为24×8×2048；经过全局平均池化和全局最大池化后，得到全局特征 其大小为1×1×2048；池化公式如下：

5.根据权利要求4所述的一种保留全局信息并增强局部特征的行人再识别方法，其特征在于，S2中：在局部-分支中，ResNet-50的第4个残差块的下采样操作被删除，将Tb3输入该残差块得到特征图Tp，其大小为24×8×2048；经过全局平均池化和全局最大池化后，得到局部特征其大小为1×1×2048；池化公式如下：

6.根据权利要求5所述的一种保留全局信息并增强局部特征的行人再识别方法，其特征在于，S3中：在融合引导模块中，全局特征 与每一个局部特征 进行对位相加，得到融合特征 其公式如下：

7.根据权利要求6所述的一种保留全局信息并增强局部特征的行人再识别方法，其特征在于，S4中：将特征图Tg和将特征图Tp，经过全局平均池化后，分别得到 和 大小为1×1×

2048，池化公式如下：

8.根据权利要求7所述的一种保留全局信息并增强局部特征的行人再识别方法，其特征在于，S4中：将 和 输入损失1中进行特征度量学习，所述损失1采用三元组损失函数计算，其公式如下：其中，N表示网络模型中输入Triplet Loss样本总数， 和 分别表示网络模型中Anchor、Positive和Negative样本，α是一个差值超参数，[·]+＝max(·,0)。

9.根据权利要求8所述的一种保留全局信息并增强局部特征的行人再识别方法，其特征在于，S4中：将全局特征向量 局部特征向量 和融合特征向量 分别输入全连接层进行降维，降维的尺寸均为1×1×256，然后输入损失2中进行分类训练，所述损失2采用交叉熵损失函数计算，其公式如下：其中，Wk表示k类的权重向量，N表示网络模型中输入Softmax Loss样本总数，C表示总的样本类数；网络模型训练结束后，得到特征向量对应的训练好的分类器。

10.根据权利要求9所述的一种保留全局信息并增强局部特征的行人再识别方法，其特征在于，S5中：将权利要求9降维到1×1×256的特征向量分别输入权利要求9对应的训练好的分类器中，输出行人再识别的分类结果。