1.一种基于融合卷积神经网络的行人再识别方法，其特征在于，所述方法包括以下步骤：步骤S1，利用预训练深度学习模型构建融合卷积神经网络；

步骤S2，对训练集的行人图像进行预处理，并将预处理后的训练行人图像输入至所述融合卷积神经网络，在所述预训练深度学习模型输出处得到所述训练行人图像的预设数量的卷积激活图；

步骤S3，基于得到的卷积激活图，执行整体池化得到所述训练行人图像的整体特征g，执行局部水平池化和降维操作得到所述训练行人图像的n个局部特征；

步骤S4，利用动态三元组损失函数对于整体特征进行学习优化，得到优化后的整体特征；

步骤S5，利用交叉熵损失函数对于局部特征进行学习优化，得到优化后的局部特征；

步骤S6，将整个输入图像集合的局部特征对应的局部损失值按权重与整体特征对应的整体损失值相加作为所述融合卷积神经网络的最终损失值来训练所述融合卷积神经网络；

步骤S7，将测试集的测试行人图像进行预处理后输入至训练后的融合卷积神经网络中，提取测试行人图像的整体特征g′和n个局部特征，将这n个局部特征串联起来作为测试行人图像的局部特征l；

步骤S8，将所述测试行人图像的局部特征l按权重与整体特征g′串联起来作为所述测试行人图像的最终特征；

步骤S9，基于所述测试行人图像的最终特征，在测试集中搜索与所述最终特征匹配的行人图像作为目标图像，进而得到行人识别结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括以下步骤：步骤S11，获取预训练的深度学习模型，并对其进行参数初始化；

步骤S12，在预训练的深度学习模型后面设置第一子网络和第二子网络，其中，所述第一子网络用于学习整体特征，所述第二子网络用于学习局部特征；

步骤S13，借助整体特征进行样本相似测量，以确定所述第一子网络的第一损失函数，借助样本分类确定所述第二子网络的第二损失函数，按权重相加两个损失函数得到所述融合卷积神经网络的最终损失函数，由此得到完整的融合卷积神经网络。

3.根据权利要求1所述的方法，其特征在于，所述步骤S12中，所述第二子网络首先执行局部水平池化得到n个局部特征，然后在每个局部特征输出后面增加卷积层，利用卷积核来降低所述局部特征的维度，最后增加一个全连接层对其进行分类。

4.根据权利要求1所述的方法，其特征在于，所述步骤S3包括以下步骤：步骤S31，基于得到的卷积激活图，在所述第一子网络上执行整体平均池化提取得到所述训练行人图像的整体特征g；

步骤S32，基于得到的卷积激活图，在所述第二子网络上执行局部水平平均池化提取得到所述训练行人图像的n个局部特征pi(i＝1,2,…n)，利用卷积层对其进行降维得到n个局部特征fi(i＝1,2,…n)。

5.根据权利要求1所述的方法，其特征在于，所述动态三元组损失函数表示为：其中，P表示输入图像集合中行人的类别数，K表示输入图像集合中每个行人类别的图像数目， 表示阈值，xa表示输入图像集合中第a幅行人图像的整体特征向量，xp表示输入图像集合中与第a幅行人图像具有相同类别标签的所有图像的整体特征向量，xm表示输入图像集合中与第a幅行人图像具有不同类别标签的所有图像的整体特征向量，D(,)表示两个向量之间的距离，maxD代表获取最大距离，minD代表获取最小距离，[h]+＝max(0,h)表示取0与h中的最大值。

6.根据权利要求1所述的方法，其特征在于，所述步骤S5包括以下步骤：步骤S51，对于第二子网络中的全连接层的输出进行类别预测，得到第i个局部特征属于s类别的预测类别概率步骤S52，基于预测类别概率，利用交叉熵损失函数对于所述局部特征进行学习优化；

步骤S53，以交叉熵损失值Lv最小为目标进行迭代优化，即可得到优化后的局部特征。

7.根据权利要求6所述的方法，其特征在于，预测类别概率 表示为：其中， 表示全连接层中第i个局部特征的第s个神经元的激活值， 表示全连接层中第j个局部特征的第s个神经元的激活值，C为训练集中行人的总类别数目。

8.根据权利要求6所述的方法，其特征在于，所述交叉熵损失函数Lv表示为：其中，n表示经过局部水平池化获得的局部特征的数目，如果获取的第i个局部特征属于s类，那么 否则

9.根据权利要求1所述的方法，其特征在于，所述步骤S6包括以下步骤：步骤S61，将一幅图像n个局部特征的损失值之和作为该图像的局部损失值，每个输入图像集合的局部损失值LB表示为：步骤S62，将局部损失值按照预设权重与整体损失值相加作为所述融合卷积神经网络的最终损失值Loss：Loss＝LS+ηLB，

其中，η表示权重，LS表示整体损失值，LB表示局部损失值。

10.根据权利要求1所述的方法，其特征在于，所述测试行人图像的最终特征F表示为：F＝[g,βl]，

其中，β表示权重。