1.一种基于期望最大化的行人重识别方法，其特征在于：该方法包括以下步骤：S1：对输入的训练和测试图像进行不同预处理操作；

S2：构建ResNet50骨干网络，并将ResNet50分成Stage1-4四个阶段，依次提取由浅入深的特征信息；

S3：构建一个注意力模块，此模块输入输出维度一致，可插入ResNet50的Stage-2和Stage3阶段，模块中包括两个部分：用协方差作为相关函数的Non-Local操作与EM算法对特征进行重构的操作；

S4：在骨干网络ResNet50提取特征后将网络分成两个分支：全局分支Global Branch、局部分支Local Branch，全局分支提取行人完整特征，局部分支提取经过特征擦除操作后特征；

S5：利用三元组Triplet损失函数、交叉熵Cross Entropy损失函数及中心Center损失函数联合对两个分支提取的训练集特征向量分别进行训练；

S6：将Gallery的行人图像集输入S5训练好的模型中，从而得到一个行人特征数据库，库中每个特征都对应唯一一个行人ID；

S7：向CNN模型中输入Query查询图像得到输入特征，将此特征与S6中特征库中行人特征进行相似度度量，按相似度从大到小排序，返回用户指定数量的行人图像。

2.根据权利要求1所述的一种基于期望最大化的行人重识别方法，其特征在于：在所述步骤S1中，预处理操作包括：随机水平翻转，即以给定的概率翻转输入的图像集合；

图像旋转，即以一定的角度旋转输入行人图像；

色彩增强，即随机更改输入RGB图像每个通道的强度。

3.根据权利要求2所述的一种基于期望最大化的行人重识别方法，其特征在于：在所述步骤S2中，在骨干网ResNet50的Stage3和Stage4两个阶段用空洞卷积Dilated Convolutions进行对特征进行卷积操作，从而获得更大的特征图，得到足够的特征信息。

4.根据权利要求3所述的一种基于期望最大化的行人重识别方法，其特征在于：在所述步骤S3中，构建注意力模块的分为两个阶段：阶段1：对输入特征进行Non-Local计算，相关度通过计算像素间协方差来获得，Noo-Local核心算子如下：其中x为输入特征图，f(·,·)函数计算像素i和像素j之间的相关度，g(xj)函数计算特征图在像素j上的映射，C(x)表示归一化系数，yi表示i像素以外的所有其他像素经过g函数变换后的加权平均，权重为归一化的相似度函数；

阶段2：经过二阶统计量协方差捕获了丰富的区域间相关信息，同时带来一部分高冗余度特征，采用EM算法对冗余特征进行稀疏重构；EM算法假设X＝{x1,x2,…,xN}为所得特征信息集合，由N个观察样本组成，每个数据点xi都有对应的潜在信息zi，即最具表征力的特征信息；{X,Z}为完整的数据，其似然函数为lnp(X,Z|θ)，其中θ是模型中所有参数的集合；实际上Z中潜在信息的知识来源于后验分布p(X,Z|θ)；EM算法通过求期望E和最大化期望M这两步操作来最大化lnp(X,Z|θ)的似然值；

E：Q(θ,θ(i))＝EZ[lnp(X,Z|θ)|X,θ(i)]

＝∑Zlnp(X,Z|θ)P(Z|X,θ(i))

其中，p(Z|X,θ(i))是在给定特征信息数据X和第i次参数估计θ(i)下隐变量数据Z，即注意力信息的概率分布；M步通过将E步求得的期望最大化来更新参数得到第i+1次迭代的参数估计值θ(i+1)：M：

5.根据权利要求4所述的一种基于期望最大化的行人重识别方法，其特征在于：在所述步骤S4中，全局分支Global Branch提取特征后通过一个全局平均池化层GAP将每个特征图池化为为2048×1的特征向量，再经过特征缩减为512×1的向量；局部分支Local Branch采用Batch DdropBlock对每批输入特征的相同区域进行一定比例的擦除，之后使用全局最大池化层GMP来代替全局平均池化层产生2048维的最大特征向量，经过降维后局部分支特征变成512维。

6.根据权利要求5所述的一种基于期望最大化的行人重识别方法，其特征在于：在所述步骤S5中，采用多个损失函数联合训练，三元组损失函数使得任意目标样本与正样本之间的距离最小，与负样本之间的距离最大，公式如下：其中， 表示目标样本与正样本之间的距离， 表示目标

样本与负样本之间的距离，m为三元组损失的阈值；

交叉熵描述两个概率分布之间的距离，当交叉熵越小说明二者之间越接近，公式如下：其中，k∈{1,2,…,K}表示行人重识别网络输出行人类别，p(k)代表输入图像属于类别k的预测概率，q(k)代表实际概率；

中心损失函数能将同类样本之间的距离缩小，使其相似性变大，公式如下：

其中，c为样本类中心；最终的损失函数是以上三个损失函数加权和，即：

Ltotal＝Ltriplet+γiLid+γcLcenter。