1.一种行人重识别系统，其特征在于，包括：

特征提取模块，用于获取待识别图像F，对F进行特征提取，输出F的图像特征；

级联排布的N层SFEM和（N‑1）层级联抑制模块，其中，第一层SFEM与所述特征提取模块连接，所述特征提取模块的输出为所述第一层SFEM的输入；每两层SFEM之间连接有一层级联抑制模块，前一层SFEM的输出为所述一层级联抑制模块的输入，所述一层级联抑制模块的输出为后一层SFEM的输入；每一层SFEM用于对输入到所述每一层SFEM 的特征F1进行条状切割，并对条状分割后的特征进行显著性特征提取，输出F1的显著性特征SplitA(F1)；每一层级联抑制模块用于将输入到所述每一层级联抑制模块的特征F2的显著性特征与抑制显著性特征进行分离，并输出所述抑制显著性特征Fca；

融合模块，与所述N层SFEM连接，每一层SFEM的输出均为所述融合模块的输入；所述融合模块用于将所述N层SFEM的输出进行融合，输出融合特征Ff；

预测模块，与所述融合模块连接，所述融合模块的输出为所述预测模块的输入；所述预测模块用于基于Ff预测F的行人ID。

2.如权利要求1所述的行人重识别系统，其特征在于，每一层SFEM包括：分割单元，与所述每一层SFEM的前一层模块连接，所述分割单元用于对F1进行条状切割，输出F1的 份条状特征 ，其中，F1的维度为 ，的维度均为 ；

个卷积单元，分别与所述分割单元连接，所述 个卷积单元分别用于对进行卷积操作，得到卷积后的特征 ，其中，

维度为均 ；

个GAP单元，每个GAP单元与一个卷积单元连接，所述 个GAP单元分别用于对分别进行全局平均池化；

非线性单元，与所述 个GAP单元连接，所述非线性单元用于对池化后的 个特征进行softmax激活，生成权重向量V，其中，V的维度为 ；

显著特征提取单元，与所述非线性单元和所述每一层SFEM的前一层模块连接，所述显著特征提取单元用于将V的第x维与F1的第x份条状特征相乘，将相乘后的k个条状特征拼接为SplitA(F1)，其中，x=1、2、…k。

3.如权利要求1所述的行人重识别系统，其特征在于，每一层级联抑制模块包括：掩码生成单元，与所述每一层级联抑制模块的前一层SFEM模块连接，用于对于F2的每个像素位置，在像素值大于或等于设定阈值的情况下，将所述像素值设置为0，在所述像素值小于所述设定阈值的情况下，将所述像素值设置为1，从而生成显著性掩码 ；

抑制单元，与所述掩码生成单元和所述每一层级联抑制模块的前一层SFEM模块连接，所述抑制单元用于将F2与 按像素位置相乘，输出 。

4.如权利要求1所述的行人重识别系统，其特征在于，所述融合模块包括：N个卷积单元，分别与所述N层SFEM连接，每个卷积单元用于将一层SFEM输出的SplitA(F1)进行 卷积，输出S(F1)；

拼接单元，与所述N个卷积单元连接，所述拼接单元用于将所述N个卷积单元输出的N层S(F1)进行拼接，输出 。

5.如权利要求1所述的行人重识别系统，其特征在于，所述特征提取模块为卷积神经网络Resnet50。

6.如权利要求1所述的行人重识别系统，其特征在于，所述预测模块是用于使用全连接操作，将Ff映射为预测向量，将所述预测向量中数值最大的元素作为F的行人ID。

7.一种行人重识别方法，其特征在于，包括：

S10：获取训练图像集，其中，所述训练图像集中包括多个训练图像；对每个训练图像进行行人ID标注；

S20：构建如权利要求1‑6任意一项所述的行人重识别系统；

S30：利用所述训练图像集对所述行人重识别系统进行训练；

S40：采集待识别图像F，将F输入训练好的行人重识别系统，预测F的行人ID。

8.如权利要求7所述的行人重识别方法，其特征在于，在步骤S30中，所使用的目标优化函数 为：其中， 表示ID预测损失，用于计算行人ID的预测值与真值之间的差别；

，N表示总的行人数量，y表示行人标签，表

示设定错误率，pi表示预测行人属于标签i的概率；

表示加强三元损失，用于计算正样本对与负样本对的相对差别，并添加正样本对的绝对差别； ，其中，dp表示正样本对的绝对差别，dn表示负样本对的绝对差别， 表示正样本对与负样本对的相对差别；

表示超参数。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求7‑8中任意一项所述的行人重识别方法。

10.一种存储介质，其上存储有计算机可读的程序，其特征在于，该程序被执行时实现如权利要求7‑8中任意一项所述的行人重识别方法。