1.一种姿势引导对齐的轻量行人重识别方法，其特征在于，所述方法包括以下步骤：使用轻量的主干网络提取输入行人图像的特征，通过显著区域提取聚焦行人图像关键区域进行特征增强并得到全局特征；

利用轻量的姿势估计算法进行行人图像的关键点检测，并与增强之后的特征图进行外积操作得到行人图像的关键点局部特征；

通过特征聚合模块对关键点局部特征进行聚合和对齐，再将全局特征与超参数结合弥补关键点局部特征，得到最终的局部特征表示；

通过交叉图匹配模块，使用图匹配算法对输入行人图像的特征进行匹配，得到图像相互匹配的区域进行特征增强，将得到的特征进行相似性度量；

构建损失函数，对网络参数进行迭代优化；

将最终提取到的行人图像特征与图像库中的各个图像进行相似性度量，输出匹配列表。

2.根据权利要求1所述的姿势引导对齐的轻量行人重识别方法，其特征在于，整体框架包括，包含了主干网络、姿势估计网络和显著区域提取的语义提取模块；包含了特征聚合模块的聚合对齐模块和包含了交叉图匹配模块的特征匹配模块。

3.根据权利要求1所述的姿势引导对齐的轻量行人重识别方法，其特征在于，所述的主干网络为OSNet，轻量姿势估计网络为Lite‑HRNet。

4. 根据权利要求1所述的姿势引导对齐的轻量行人重识别方法，其特征在于，所述的显著区域提取为空间注意力，包括分割、池化、卷积块、BN、ReLU、 Sigmoid和残差结构。

5.根据权利要求4所述的姿势引导对齐的轻量行人重识别方法，其特征在于，所述卷积块由深度可分离卷积构成，具体执行顺序为1x1卷积，3x3卷积，3x3卷积和1x1卷积。

6.根据权利要求1所述的姿势引导对齐的轻量行人重识别方法，其特征在于，所述特征聚合模块由分区、更新和聚合三部分组成。

7.根据权利要求6所述的姿势引导对齐的轻量行人重识别方法，其特征在于，所述分区、更新和聚合包括以下内容：所述分区操作是将行人图像的关键点局部特征根据人体结构和对称性划分成不同的六部分；

所述更新操作是使用图卷积网络，将各个区域内的节点进行消息传递；

所述聚合操作是将各个节点信息在区域内和区域间进行特征相加操作。

8.根据权利要求1所述的姿势引导对齐的轻量行人重识别方法，其特征在于，所述交叉图匹配模块包括特征嵌入、交叉匹配、特征变换和特征聚合模块。

9.根据权利要求1所述的姿势引导对齐的轻量行人重识别方法，其特征在于，所述相似性度量包括特征相减、全连接和Sigmoid操作。

10.根据权利要求1所述的姿势引导对齐的轻量行人重识别方法，其特征在于，所述得到最终的全局特征和局部特征使用交叉熵损失、中心损失和难样本三元组损失进行训练；

相似性度量得到的特征使用验证损失进行训练。