1.一种基于行人再识别的病例活动轨迹监测方法，其特征在于，包括以下步骤：S1、利用组网摄像头获取行人视频信息，采用目标检测算法检测出行人，采用目标跟踪算法获得一系列行人检测框，对视频进行预处理，将视频分割为连续的帧，所有帧进行统一初始化；

S2、基于PyTorch搭建一个基于视频序列的局部对齐行人再识别框架；

S3、将MARS行人再识别数据集划分为训练集和测试集两部分，加载训练集对神经网络进行训练；

S4、采用MARS测试集对训练得到的模型进行测试，寻找最优模型；

S5、在不同场景中获取待查询的行人图像/视频，计算与目标视频库中特征距离最近的若干项作为匹配项，依据拍摄位置信息获取行人轨迹。

2.根据权利要求1所述的基于行人再识别的病例活动轨迹监测方法，其特征在于：S2包括：

S2.1提取具有判别力的局部参照特征，为局部特征对齐提供基准；

S2.2采用了基于关联度的注意力机制；

S2.3根据注意力权重来分解局部特征。

3.根据权利要求2所述的基于行人再识别的病例活动轨迹监测方法，其特征在于：所述S2.1中局部参照特征的提取方法包括：S2.1.1通过一个卷积层、BN层、Sigmoid激活层实现一个图像质量评估网络；

S2.1.2选出质量最高的帧作为参照帧；

S2.1.3局部参照特征采用了基于行人关键点划分，将参照帧的行人划分成了头部、身体、腿部三个区域；

S2.1.4采用ROI最大池化、ROI平均池化提取参照特征。

4.根据权利要求3所述的基于行人再识别的病例活动轨迹监测方法，其特征在于：S2.2中基于关联度的注意力机制包括：

S2.2.1通过将行人特征映射的每个像素单位的特征向量与参照特征向量进行如下计2

算：(像素单位特征向量‑参照特征向量) ，获得该像素单位的关联度；

S2.2.2将最终得到的关联度矩阵通过BN层和Sigmoid激活层，将1与每个元素相减，得到基于关联度的注意力矩阵。

5.根据权利要求4所述的基于行人再识别的病例活动轨迹监测方法，其特征在于：S2.3中局部特征的分解过程包括：

S2.3.1将基于关联度的注意力矩阵与特征映射相乘；

S2.3.2采用全局最大池化提取帧级特征；

S2.3.3对注意力矩阵在空间维度取平均，获得时间注意力得分；

S2.3.4对帧级特征进行加权求和，得到局部特征。

6.根据权利要求1所述的基于行人再识别的病例活动轨迹监测方法，其特征在于：S3选用当前主流的数据集MARS对S2中的网络进行训练，计算损失函数，包含帧间正规化损失、三元组损失和交叉熵损失。

7.根据权利要求6所述的基于行人再识别的病例活动轨迹监测方法，其特征在于：S4采用MARS数据集的测试集进行算法精度验证，将测试集的每个行人视频以连续4帧为片段进行分割，得到若干个相同ID的视频序列，将其输入到神经网络中获取特征；最终将同ID的视频特征求平均，作为完整视频序列的特征；通过计算不同视频特征之间的欧氏距离来衡量相似度，在训练时每次迭代后进行一次评估，保存准确度最高的模型。

8.根据权利要求7所述的基于行人再识别的病例活动轨迹监测方法，其特征在于：S5将S4中训练得到的模型应用到轨迹监测中，将组网摄像头获取的行人视频数据传入模型中提取特征，组成一个行人特征库；在人流密集场所检测到体温异常行人时，系统自动采集行人图像上传到服务器；在医院等检测场所发现疑似/确诊病例时，医护人员手动在终端上传行人图像/视频；服务器将通过行人再识别神经网络框架提取出行人特征，与行人特征库进行相似性度量，查看与之相似度高的行人信息，根据拍摄的时间、地点，获取行人的活动轨迹。