1.一种联合多级特征的轻量行人重识别方法，其特征在于，所述方法包括以下步骤：将待识别行人图像输入由多注意力模块嵌入的轻量行人重识别网络中进行初步特征提取；

所述的轻量行人重识别网络为OSNet；

通过特征加强提取网络进一步提取行人全局特征和局部特征；

所述特征加强提取网络由高级语义特征提取分支和低级细节特征提取分支两部分组成，这两个分支都包含全局特征提取分支和局部特征提取分支；高级语义特征提取分支和低级细节特征提取分支共享OSNet的Conv1 3，高级语义特征提取分支的特征图为 ，低级~细节特征提取分支的特征图为 ；所述全局特征提取分支的输出特征图通过全局平均池化和全局最大池化操作，拼接得到最终全局特征表示：，

，

其中， 表示拼接操作， 为全局最大池化操作， 为全局平均池化操作；

所述局部特征提取分支通过对切分为不同条数的特征分别进行全局平均池化，拼接得到局部特征表示；

所述高级语义特征提取分支中的局部特征分别分为三部分： ， ，和 ，经过池化和拼接操作后得到最终的局部特征 ：；

所述低级细节特征提取分支中的局部特征分别分为四部分： 、 、 和 ，经过池化和拼接操作后得到最终的局部特征 ：；

将高级语义特征提取分支和低级细节特征提取分支得到的局部特征通过特征融合模块进行融合；

所述特征融合模块包括激活函数、归一化层、残差结构和元素级相加操作；

构建损失函数，对网络参数进行迭代优化；

将最终提取到的行人图像特征与图像库中的各个图像进行相似性度量，输出匹配列表。

2.根据权利要求1所述的联合多级特征的轻量行人重识别方法，其特征在于，所述多注意力模块为串联的通道注意力子模块和空间注意力子模块，通道注意力子模块采用传统卷积操作提取特征，空间注意力子模块采用自注意力机制对空间特征图进行加权。

3.根据权利要求1所述的联合多级特征的轻量行人重识别方法，其特征在于，所述高级语义特征提取分支和低级细节特征提取分支包括的全局特征提取分支和局部特征提取分支主要由池化层、卷积层、归一化层和全连接层构成。

4.根据权利要求1所述的联合多级特征的轻量行人重识别方法，其特征在于，所述最终提取到的行人图像特征包括全局特征和局部特征；全局特征使用中心损失和难样本三元组损失进行训练，局部特征采用交叉熵损失进行训练。