1.一种动态上下文信息感知的无监督行人重识别方法，其特征在于包括以下步骤：S1:获取无监督行人重识别数据集，并将其输入到搭建的模型中；

S2:在局部重要性评估层中，利用卷积和池化操作获得空间权重图；

S3:在自适应空洞注意力模块中，选择合适的膨胀率，指导多感受野上下文信息特征的提取和融合，同时提取丢失的局部信息进行补充，获得丰富的行人判别性特征；

所述的自适应空洞注意力模块包括下采样、动态膨胀率选择和动态感受野补偿模块；下采样将各层生成的空间权重图进行融合；动态膨胀率选择使用轻量级多层感知机获得空间掩码，通过区域选择获得合适的膨胀率；动态感受野补偿模块利用已获得的膨胀率进行多尺度特征提取和局部细节特征补充，将得到的多尺度特征与局部细节特征进行融合；

S4:使用非参数图卷积网络，进行相似性计算构建行人关系，获得行人的空间语义信息；

S5:构建跨批次记忆机制，建立当前样本与全局样本的关系；

所述的跨批次记忆机制，包括动态记忆库更新、冲突感知更新和原型网络；动态记忆库更新通过动量更新和动态队列的更新策略更新记忆库中的特征，挖掘样本间关系；冲突感知更新通过图结构优化对高冲突边进行权重修正并分配新槽位给存储冲突的特征，避免覆盖缓解特征混淆和噪声影响；原型网络通过动态聚类的方法建模当前样本与全局原型的相似度关系，生成伪标签；

S6:通过设计损失函数迭代调整网络参数以优化模型性能；

S7:将需要查询的行人图像与图像库中的行人图像进行相似性比较，得到所有查找到的同一行人的图像。

2.根据权利要求1所述的动态上下文信息感知的无监督行人重识别方法，其特征在于整体结构包括，主干网络和局部重要性评估层、自适应空洞注意力模块、非参数图卷积网络、跨批次记忆机制。

3.根据权利要求1所述的动态上下文信息感知的无监督行人重识别方法，其特征在于，所述的局部重要性评估层包括1x1卷积、平均池化、Sigmoid、上采样和通道复制。

4.根据权利要求1所述的动态上下文信息感知的无监督行人重识别方法，其特征在于，所述的动态膨胀率选择包括下采样、轻量级多层感知机、Softmax和区域选择。

5.根据权利要求1所述的动态上下文信息感知的无监督行人重识别方法，其特征在于，所述的动态感受野补偿模块分别通过动态空洞空间金字塔池化和局部注意力分支提取不同感受野的特征，补充局部细节信息。

6.根据权利要求5所述的动态上下文信息感知的无监督行人重识别方法，其特征在于，所述的动态空洞空间金字塔池化分别通过1x1卷积、不同膨胀率的3x3卷积的多尺度卷积操作和平均池化操作动态提取不同感受野的特征，包括平均池化、上采样、拼接。

7.根据权利要求5所述的动态上下文信息感知的无监督行人重识别方法，其特征在于，所述的局部注意力分支包括分块、线性操作、注意力计算、变形、矩阵相乘和元素级相加。

8.根据权利要求1所述的动态上下文信息感知的无监督行人重识别方法，其特征在于，所述的损失函数通过使用基于对比学习的损失进行计算，并使用其得到的结果进行伪标签生成的训练。