1.一种行人再识别系统中防御图像噪声攻击的方法，其特征在于，包括以下步骤：步骤1：准备正常图像样本集：

正常图像样本集是未经过任何操作直接采集得到的正常图片，准备正常图像样本集时，可使用已公开数据集Market‑1501、CUHK03、DukeMTMC‑reID，或进行自行拍摄数据集作为正常图像样本集X＝{x1，x2，...，xk}；

步骤2：构造行人再识别模型；

正常数据集为X＝{x1,x2,...,xk}，使用基线Re‑ID模型构造行人再识别模型，利用三重损失训练行人再识别模型；

在给定探测图像集 一个图库图像集 一个训练图像集和包含每个图像标识的标签L；

步骤3：使用正常图像样本集，分别利用不同的对抗攻击方法生成对抗图像样本集：使用准备好的正常图像样本集X＝{x1,x2,...,xk}，利用对抗攻击算法生成对抗噪声扰动攻击的对抗样本X1＝{x'1,x'2,...,x'k}；

采用错误排序损失函数公式来生成对抗噪声扰动攻击样本X1＝{x'1,x'2,...,x'k}，该方法最小化不匹配对的距离同时最大化匹配对的距离；

步骤4：将所有图像样本分为训练图像样本集和测试图像样本集；

融合所有对抗样本及正常图像样本构成图像样本集X'＝{X,X1}，将图像样本集分为训练样本集X'm和测试样本集X'n；

步骤5：将训练图像样本通过构造的行人再识别模型完成模型训练；

输入训练图像样本X'm；训练图像样本代表实际应用中需要识别的图像库，其中包含正常图像及对抗图像；

将训练图像样本通过降噪网络得到噪声图像；

降噪网络是负责提取输入图像样本的噪声分布并输出噪声图像，降噪网络使用一种盲降噪的防御对抗网络，由于对抗噪声不同于传统意义上的噪声，它并无数学公式来描述，并且传统的噪声会影响图像的观感；

将训练图像样本减去噪声图像得到降噪图像；

提取原图像的特征以及降噪图像的特征；

将提取的所有特征输入特征融合训练网络得到训练后的特征向量；

这里将降噪前后特征加入特征融合训练网络是用来考量降噪前后特征差异，以减少对抗网络对非对抗样本的影响；

步骤6：在测试样本集上进行行人图像识别，检验行人图像识别效果；

将测试样本集X'n输入到步骤5中训练完成后的模型进行行人图像识别，检验行人图像识别效果；

所述行人再识别模型具体包括以下步骤：

S10、通过对L和Y增加损失函数来训练参数为Θ的特征提取器F；

S20、分别提取P和X的中间层的激活作为他们的视觉特征F(M,Θ)和F(W,Θ)；

S30、计算F(M,Θ)和F(W,Θ)之间的成对距离用于索引和排序。