1.一种多尺度遮挡抑制的遮挡行人重识别方法，其特征在于，所述方法包括以下步骤：利用双重遮挡增强模块生成更多样化的遮挡数据，并将增强后的图片输入到遮挡感知空间注意力模块和部位特征匹配模块中；

在遮挡感知空间注意力模块中，使用经典的主干网络提取行人图像特征，通过遮挡感知空间注意力块聚焦行人图像非遮挡区域进行特征增强并得到全局特征，从全局的角度抑制遮挡；

在部位特征匹配模块中，利用人体解析模型获得身体部位热图并获取部位特征和前景特征，使用混合图匹配块匹配非遮挡身体部位，从局部的角度抑制遮挡；

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所述的多尺度遮挡抑制的遮挡行人重识别方法，其特征在于，整体框架包括，包含了双重遮挡增强模块；包含了主干网络和遮挡感知空间注意力块的遮挡感知空间注意力模块；包含了人体解析模型和混合图匹配块的部位特征匹配模块。

3.根据权利要求1所述的多尺度遮挡抑制的遮挡行人重识别方法，其特征在于，所述的双重遮挡增强模块包含了随机遮挡和多样化遮挡。

4.根据权利要求1所述的多尺度遮挡抑制的遮挡行人重识别方法，其特征在于，所述的主干网络为ResNet50，人体解析模型为PifPaf。

5.根据权利要求1所述的多尺度遮挡抑制的遮挡行人重识别方法，其特征在于，所述的遮挡感知空间注意力块为空间注意力，包括分割、池化、卷积块、BN、ReLU、Sigmoid、拼接和元素级相加。

6.根据权利要求5所述的多尺度遮挡抑制的遮挡行人重识别方法，其特征在于，所述卷积块由深度可分离卷积构成，具体执行顺序为1×1卷积，轻量级的3×3卷积，轻量级的3×3卷积和1×1卷积。

7.根据权利要求1所述的多尺度遮挡抑制的遮挡行人重识别方法，其特征在于，所述混合图匹配块包括特征嵌入、混合匹配和相似度计算。

8.根据权利要求7所述的多尺度遮挡抑制的遮挡行人重识别方法，其特征在于，所述相似度计算包括Sigmoid、全连接和元素绝对运算。

9.根据权利要求1所述的多尺度遮挡抑制的遮挡行人重识别方法，其特征在于，所述得到最终的全局特征和部位特征分别使用交叉熵损失和难样本三元组损失进行训练，相似度使用验证损失进行训练。

10.根据权利要求1所述的多尺度遮挡抑制的遮挡行人重识别方法，其特征在于，所述相似性度量通过计算行人图像特征之间的余弦相似度，得到最终的匹配结果，以余弦相似度从大到小生成匹配列表。