1.一种基于衣物脱敏网络的多粒度换衣行人重识别方法，其特征在于，包括如下步骤：a)通过语义分割算法对预先获得的RGB图像进行语义分割，得到对应图像的部件语义分割图像，将得到的语义分割图作为一项标签输入网络，进行监督训练；

b)将预先获得的RGB图像输入卷积神经网络，经卷积神经网络处理后预先获得的RGB图像由7×7的特征图表示，特征通道数为1024；

c)使用8个不同权重的并列的卷积层对特征图进行卷积操作，在空间和通道上对特征图进行降维提特征处理，得到8个不同结果的高维度的特征图，使用reshape函数将8个高维度的特征图的对应通道连接起来，得到288个8维向量表示行人单一属性，通过公式使用非线性挤压函数对每个向量的长度进行标准化处理， 为第k个8维向量，k∈[1,288]，通过公式 计算由288个8维向量与权重矩阵wk相乘得到1024个24维向量 为实数空间，通过公式对24维向量 进行耦合计算，得到的耦合计算结果 对每一个行人类别做对应的向量表示，每个行人类别数为N，n∈[1,N]， 为耦合系数；

d)将步骤a)中的部件语义分割图像和步骤b)中的特征图输入部件语义对齐模块实现特征对齐，所述部件语义对齐模块包括反卷积层、归一化、激活函数、1×1的卷积层；

e)通过公式L＝λ1LID+λ2Ltriplet+λ3Lpart计算损失函数L，式中LID为分类损失，Ltriplet为三元组损失，Lpart为部件语义对齐损失，λ1、λ2、λ3为权重；

f)通过损失函数L优化深度学习模型用于行人特征提取，将给定的一张行人图像在优化后的深度学习模型中的测试集中检索得到同一身份的其他行人图像并返回排序列表。

2.根据权利要求1所述的基于衣物脱敏网络的多粒度换衣行人重识别方法，其特征在于：步骤a)中分割算法模型为DANet网络模型，将DANet网络模型在COCO Densepose数据集上进行预训练。

3.根据权利要求1所述的基于衣物脱敏网络的多粒度换衣行人重识别方法，其特征在于：步骤b)中的卷积神经网络使用在ImageNet数据集上预训练的DenseNet121作为骨干网络。

4.根据权利要求1所述的基于衣物脱敏网络的多粒度换衣行人重识别方法，其特征在于：步骤c)中卷积层的卷积核大小为2×2，步长为2。

5.根据权利要求1所述的基于衣物脱敏网络的多粒度换衣行人重识别方法，其特征在于：步骤d)中反卷积层为步长为2的3×3的反卷积层。

6.根据权利要求1所述的基于衣物脱敏网络的多粒度换衣行人重识别方法，其特征在于，步骤e)包括如下步骤：

e‑1)通过公式

计算得到分类损失LID，式中yn为输入的一图像所述的行人类别，当该图像属于行人n+ ‑

时，yn＝1，当该图像不属于行人n时，yn＝0，n∈[1,N]，λ为权重，λ＝0.5，m与m为设定边界，e‑2)通过公式 计

算三元组损失Ltriplet，式中fa为从anchor图像中提取的特征，fp为从positive图像中提取的特征,fn为从negative图像中提取的特征，α为边界超参数，P每个批次训练的类别个数，K为每个类别中的图像张数；

e‑3)部件语义对齐损失Lpart的损失函数采用cross‑entropy loss。

7.根据权利要求1所述的基于衣物脱敏网络的多粒度换衣行人重识别方法，其特征在于，步骤f)中：优化后的深度学习模型提取出测试集中所有图像的特征向量表示，将给定的一张行人图像I1与测试集中的一图像I2通过公式 分别计算代表相似性的欧氏距离 为通过网络前向传播得到的I1的特征向量， 为通过网络前向传播得到的I2的特征向量，根据计算得到的相似性从高到低对测试集中的图像进行排序，按该排序返回检索结果列表。