1.一种融合全局和局部特征的行人重识别方法，其特征在于：包括以下步骤：S1：输入待识别的图像，将其预处理得到标准输入图像；

S2：通过卷积神经网络来分别提取输入图像的全局特征和局部特征；其中卷积神经网络采用ResNet‑50与SE Block结合的神经网络，将卷积神经网络最后一层的卷积窗口移动步长调整为1，并将卷积后得到的特征图进行广义平均池化，从而得到全局特征；采用与全局特征提取共享权重的卷积神经网络得到特征图，然后将特征图按照水平方向分成均匀分成6个部分，对各个部分分别进行广义平均池化，从而提取局部特征；所述广义平均池化公式为：其中，H和W代表特征图的高度和宽度，xc，i，j代表特征图第c个通道上，垂直方向第i个，水平方向第j个值，pc是池化参数，当pc＝1时，该公式等价于全局平均池化；当pc→∞时，该公式等价于全局最大池化；

S3：将全局特征和局部特征分别输入批量归一化层与1×1卷积层对特征进行降维；

S4：将全局特征和局部特征进行融合，得到融合后的行人特征；

S5：计算融合特征与图像库中各图像对应特征的距离，用于表示图像间的相似度；将图像库中的图像按照与输入图像的相似度排序，将排序结果作为行人重识别模型的输出。

2.根据权利要求1所述的融合全局和局部特征的行人重识别方法，其特征在于：步骤S4中所述将全局特征和局部特征进行融合，具体为将全局特征和局部特征按照通道的方向进行串联拼接。

3.一种融合全局和局部特征的行人重识别模型的训练方法，其特征在于：包括以下步骤：S11：获取行人重识别数据集，将数据集划分为训练集和测试集，在训练过程中每次随机选择P位行人，每个行人随机挑出K张图像，作为输入图像；

S12：通过卷积神经网络来提取输入图像的特征，所述卷积神经网络的池化层分别提取输入图像的全局特征和局部特征；

S13：将全局特征和局部特征分别输入批量归一化层与1×1卷积层对特征进行降维；

S14：将局部特征与局部特征进行1×1的卷积和批量归一化后计算标签平滑身份损失、软间隔自适应权重三元组损失以及中心损失；

所述标签平滑身份损失为：

其中，N是在训练时的行人ID总数，pi是网络预测输入图像为第i类的概率，y是该图像的实际类别；当输入图像到行人重识别模型后，得到对应于所有类别的概率pi；∈是一个小常数，用来削弱ReID模型对训练集标签的可信度；

所述软间隔自适应权重三元组损失为：

其中，(wp,wn)分别表示正负样本对的权重，(xa,xp,xn)表示一组三元组，d表示距离函数；

所述中心损失为：

其中，B表示一个训练批次的样本数量，xi表示一个训练批次中第i个样本的特征， 表示第i个样本对应身份yi的类中心；

整体损失函数为：

α和β分别是软间隔自适应权重三元组损失和中心损失的比例因子；

S15：最小化多个损失函数之和来调整行人重识别网络参数；

S16：重复S11～S15，直到标签平滑身份损失、软间隔自适应权重三元组损失以及中心损失基本不再变化。

4.根据权利要求3所述的融合全局和局部特征的行人重识别模型的训练方法，其特征在于：步骤S11中，所述获取行人重识别数据集，具体为：通过多个摄像头获取原图像，然后检测出原图像中的行人图像部分，并将检测出的所有行人图像构建为数据集。

5.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1‑2任一所述的融合全局和局部特征的行人重识别方法。

6.一种处理器，其特征在于：用于运行程序，其中，所述程序被运行时用于执行如权利要求1‑2任一所述的融合全局和局部特征的行人重识别方法。