1.一种基于改进CycleGAN数据增强的行人重识别方法，其特征在于：按如下步骤A至步骤B，获得关于预设数据库中各目标人物身份识别的人物识别模型，然后应用人物识别模型，针对待识别人物图像进行身份识别；

步骤A.基于预设数据库中各目标人物分别所对应预设各风格类型人物样本图像，应用目标循环生成对抗网络，生成获得各新增人物样本图像加入预设数据库中，并由预设数据库中全部人物样本图像，构成样本数据集，然后进入步骤B；

步骤B.基于样本数据集，以人物样本图像为输入、人物样本图像所对应预设数据库中目标人物为输出，针对预设神经网络进行训练，获得人物识别模型。

2.根据权利要求1所述一种基于改进CycleGAN数据增强的行人重识别方法，其特征在于：所述目标循环生成对抗网络包括生成器网络G1、G2,分割网络F1、F2,判别网络D1、D2,其中，生成器网络G1的输出端分别对接判别网络D2的输入端、分割网络F1的输入端、生成器网络G2的输入端；同时，生成器网络G2的输出端分别对接判别网络D1的输入端、分割网络F2的输入端、生成器网络G1的输入端；

所述步骤A中基于预设数据库中各目标人物分别所对应预设各风格类型人物样本图像，以任意两风格类型划为一组，获得各个类型组，分别针对各个类型组，执行如下步骤A1，获得各新增人物样本图像；

步骤A1.分别针对预设数据库中各目标人物，执行如下步骤A1‑1至步骤A1‑9，获得各新增人物样本图像；

步骤A1‑1.初始化生成器网络G1、G2,分割网络F1、F2,判别网络D1、D2，然后进入步骤A1‑

2；

步骤A1‑2.选择目标人物对应类型组中第一风格类型的人物样本图像，作为目标人物样本图像x，同时由预设数据库中随机选择除该目标人物以外其余一位随机目标人物对应类型组中第二风格类型的人物样本图像，作为辅助人物样本图像y，然后进入步骤A1‑3；

步骤A1‑3.由生成器网络G1同时接收目标人物样本图像x、以及该随机目标人物，经生成器网络G1获得该随机目标人物符合目标人物样本图像姿态、并对应类型组中第二风格类型的第二新人物样本图像G1(x)；

同时，由生成器网络G2同时接收目标人物、以及辅助人物样本图像y，经生成器网络G2获得目标人物符合辅助人物样本图像姿态、并对应类型组中第一风格类型的第一新人物样本图像G2(y)；然后进入步骤A1‑4；

步骤A1‑4.由判别网络D2同时接收辅助人物样本图像y与第二新人物样本图像G1(x)，经判别网络D2获得第二新人物样本图像G1(x)、辅助人物样本图像y分别对应真的概率D2(G1(x))、D2(y)，并进一步获得第一对抗损失Lgan1；

同时，由判别网络D1同时接收目标人物样本图像x与第一新人物样本图像G2(y)，经判别网络D1获得第一新人物样本图像G2(y)、目标人物样本图像x分别对应真的概率D1(G2(y))、D1(x)，并进一步获得第二对抗损失Lgan2；然后进入步骤A1‑5；

步骤A1‑5.分割网络F1接收第二新人物样本图像G1(x)，并分割网络F1获得第二新人物样本图像的姿势掩膜图像F1(G1(x))；同时，分割网络F2接收第一新人物样本图像G2(y)，并分割网络F2获得第一新人物样本图像的姿势掩膜图像F2(G2(y))，然后进入步骤A1‑6；

步骤A1‑6.获得目标人物样本图像的姿势掩膜图像F1(x)与第二新人物样本图像的姿势掩膜图像F1(G1(x))之间的第一姿态约束损失L1pose，以及获得辅助人物样本图像的姿势掩膜图像F2(y)与第一新人物样本图像的姿势掩膜图像F2(G2(y))之间的第二姿态约束损失L2pose，然后进入步骤A1‑7；

步骤A1‑7.由生成器网络G2接收第二新人物样本图像G1(x)、以及目标人物，经生成器网络G2获得目标人物符合第二新人物样本图像姿态、并对应类型组中第一风格类型的第四新人物样本图像G2(G1(x))，然后获得第四新人物样本图像G2(G1(x))与目标人物样本图像x之间的循环一致性约束损失L1cyc；

同时，由生成器网络G1接收第一新人物样本图像G2(y)、以及该随机目标人物，经生成器网络G1获得该随机目标人物符合第一新人物样本图像姿态、并对应类型组中第二风格类型的第三新人物样本图像G1(G2(y))，然后获得第三新人物样本图像G1(G2(y))与辅助人物样本图像y之间的循环一致性约束损失L2cyc；然后进入步骤A1‑8；

步骤A1‑8.基于第一对抗损失Lgan1、第二对抗损失Lgan2、第一姿态约束损失L1pose、第二姿态约束损失L2pose、循环一致性约束损失L1cyc、循环一致性约束损失L2cyc，构建目标人物对应的网络总损失Lall，并判断网络总损失是否小于预设网络总损失阈值，是则将第一新人物样本图像、第二新人物样本图像作为新增人物样本图像；否则进入步骤A1‑9；

步骤A1‑9.修正生成器网络G1、G2,分割网络F1、F2,判别网络D1、D2，然后返回步骤A1‑3。

3.根据权利要求2所述一种基于改进CycleGAN数据增强的行人重识别方法，其特征在于：所述步骤A1‑4中，按如下公式：Lgan1＝Ey～pdata(y)[logD2(y)]+Ex～pdata(x)[log(1‑D2(G1(x))]获得第一对抗损失Lgan1；其中，y～pdata(y)表示辅助人物样本图像y的概率分布，Ey～pdata(y)[·]表示关于辅助人物样本图像y概率分布的期望值，x～pdata(x)表示目标人物样本图像x的概率分布，Ex～pdata(x)[·]表示关于目标人物样本图像x概率分布的期望值；

同时，按如下公式：

Lgan2＝Ex～pdata(x)[logD1(x)]+Ey～pdata(y)[log(1‑D1(G2(y))]获得第二对抗损失Lgan2。

4.根据权利要求2所述一种基于改进CycleGAN数据增强的行人重识别方法，其特征在于：所述步骤A1‑6中，按如下公式：L1pose＝Ex～pdata(x)[||F1(x)‑F1(G1(x))||2]L2pose＝Ey～pdata(y)[||F2(y)‑F2(G2(y))||2]获得目标人物样本图像的姿势掩膜图像F1(x)与第二新人物样本图像的姿势掩膜图像F1(G1(x))之间的第一姿态约束损失L1pose，以及获得辅助人物样本图像的姿势掩膜图像F2(y)与第一新人物样本图像的姿势掩膜图像F2(G2(y))之间的第二姿态约束损失L2pose，其中，||·||2表示二范数求解函数。

5.根据权利要求2所述一种基于改进CycleGAN数据增强的行人重识别方法，其特征在于：所述步骤A1‑7中，按如下公式：L1cyc＝Ex～pdata(x)[||G2(G1(x))‑x||1]

获得第四新人物样本图像G2(G1(x))与目标人物样本图像x之间的循环一致性约束损失L1cyc，其中，||·||1表示一范数求解函数，y～pdata(y)表示辅助人物样本图像y的概率分布，Ey～pdata(y)[·]表示关于辅助人物样本图像y概率分布的期望值，x～pdata(x)表示目标人物样本图像x的概率分布，Ex～pdata(x)[·]表示关于目标人物样本图像x概率分布的期望值；

同时，按如下公式：

L2cyc＝Ey～pdata(y)[||G1(G2(y))‑y||1]

获得第三新人物样本图像G1(G2(y))与辅助人物样本图像y之间的循环一致性约束损失L2cyc，其中，y～pdata(y)表示辅助人物样本图像y的概率分布，Ey～pdata(y)[·]表示关于辅助人物样本图像y概率分布的期望值。

6.根据权利要求2所述一种基于改进CycleGAN数据增强的行人重识别方法，其特征在于：所述步骤A1‑8中，按如下公式：Lpose＝L1pose+L2pose

Lcyc＝L1cyc+L2cyc

获得Lpose、Lcyc，进一步按如下公式：

Lall＝Lgan1+Lgan2+λLcyc+βLpose

构建目标人物对应的网络总损失Lall，其中，λ>0和β>0分别是循环一致性约束损失和姿态约束损失的预设权衡参数。

7.根据权利要求2所述一种基于改进CycleGAN数据增强的行人重识别方法，其特征在于：所述步骤B包括如下步骤B1至步骤B2；

步骤B1.基于预设数据库中K个目标人物，定义各新增人物样本图像分别对应的标签为

1xK的一维向量，记为 即新增人物样本图像对应预设数据库中各目

标人物的概率所组成的一维向量；分别针对各新增人物样本图像，按如下步骤B1‑1至步骤B1‑2，定义新增人物样本图像对应的标签，进而定义各新增人物样本图像分别与预设数据库中目标人物的对应关系，然后进入步骤B2；

步骤B1‑1.根据新增人物样本图像经预设神经网络，输出一个1x K的一维向量p(X)＝{p(Xk)，k＝[1,2,…,K]}，针对p(X)中各p(Xk)按从小到大顺序进行排序，获得排序ps(X)，然后进入步骤B1‑2；

步骤B1‑2.获得该新增人物样本图像分别对应预设数据库中各目标人物的概率p(Xk)在排序ps(X)中的索引为αk，进而定义该新增人物样本图像对应的标签步骤B2.基于样本数据集，以人物样本图像为输入、人物样本图像所对应预设数据库中目标人物为输出，针对预设神经网络进行训练，获得人物识别模型。

8.根据权利要求7所述一种基于改进CycleGAN数据增强的行人重识别方法，其特征在于：所述步骤B2针对预设神经网络进行训练的过程中的损失函数为如下交叉熵损失；

其中， 表示归一化因子，δ＝0表示针对预设神经网络训练时输入的是预设数据库中原始人物样本图像，δ＝1表示针对预设神经网络训练时输入的是预设数据库中新增人物样本图像。