1.一种无监督域适应行人重识别方法，其特征在于，包括：将提取后的样本特征经过特征映射分为全局特征和局部特征，通过交叉熵损失和三元组损失构造样本的全局特征和局部特征的基础模型；

对样本的全局特征进行聚类操作，通过聚类操作生成伪标签，通过生成的伪标签训练全局和局部特征并以监督的方式优化网络；

将全局特征和局部特征的相似度通过交叉一致性分数进行评判；

结合交叉一致性分数和样本的局部特征实现对伪标签的提纯，以便完成行人重识别；

所述结合交叉一致性分数和样本的局部特征实现对伪标签的提纯，具体包括：构建基于交叉一致性分数的标签平滑损失：

给定样本 的伪标签 局部特征 的标签平滑公式为：其中，u是一个一致性向量， 是决定标签平滑程度的权重，通过交叉一致性分数Ci(g,pn)动态更新 即将提纯后的局部特征伪标签带入到 并且用KL散度重写交叉熵损失得到基于交叉一致性分数的标签平滑损失，公式如下：其中，H(·,·)和DDL(·||·)分别表示交叉熵损失和KL散度，并通过 的值进行权重平衡；

构建基于局部特征的伪标签提纯损失：

生成基于局部特征提纯后的伪标签 作为全局特征的伪标签，公式如下：其中， 表示集合权重， 是局部特征 的预测向量，β∈[0,1]是控制one‑hot编码和集成预测比率的加权参数；将提纯后的全局特征伪标签 带入公式以此来训练全局特征：

得到最终的训练优化目标，公式如下：

其中，Ltrl表示三元组损失函数，Lcl表示对比学习损失函数。

2.根据权利要求1所述的一种无监督域适应行人重识别方法，其特征在于：所述将提取后的样本特征经过特征映射分为全局特征和局部特征，具体包括：给定源域 和目标域 其中 表示源域的第i个样本，yi表示源域第i个样本的标签，NS表示源域样本的数量， 表示目标域的第i个样本，NT表示目标域样本的数量；

提取共享特征表示 ,其中C，H，W分别表示特征映射的通道数、高和宽；

g

对特征映射做全局平均池化操作得到全局特征fi，将特征映射输入到Bottleneck得到新的特征映射，对新的特征映射平均分成N个区域 并对各个区域使用一次全局平均池化操作得到局部特征

3.根据权利要求2所述的一种无监督域适应行人重识别方法，其特征在于：所述通过交叉熵损失和三元组损失构造样本的全局特征和局部特征的基础模型，具体包括：全局特征的交叉熵损失函数为：

其中， 是全局特征的预测向量， 是一个全局特征分类器；

局部特征的交叉熵损失函数为：

其中， 表示第n个局部特征空间pn的预测向量， 是局部特征空间pn的分类器；

定义三元组损失函数：

其中，||·||指的是L2范数，fi，fi,p和fi,n分别表示在一个mini‑batch中通过使用硬批次三元组选择策略获得的锚样本特征，最硬正例样本特征和最硬负例样本特征。

4.根据权利要求3所述的一种无监督域适应行人重识别方法，其特征在于：所述对样本的全局特征进行聚类操作，通过聚类操作生成伪标签，具体包括：使用DBSCAN聚类算法对训练的样本全局特征进行聚类操作，聚类生成的伪标签采用one‑hot编码形式；根据聚类结果，一个基于聚类的存储库 通过聚类簇中心初始化，其中mi定义为：

其中，fi表示聚类簇C中第i个样本的特征，|C|表示一个聚类簇的大小。

5.根据权利要求4所述的一种无监督域适应行人重识别方法，其特征在于：所述通过生成的伪标签训练全局和局部特征并以监督的方式优化网络，具体包括：引入对比学习损失：

g

其中，m+表示特征f 所属的聚类簇中心，mj表示存储库中第j个聚类簇中心， 表示向量u和v之间的余弦相似度，τ是温度参数；

存储库以动量的方式进行更新：

g

mi＝μ·mi+(1‑μ)·f

g

其中，μ表示动量更新的更新因子，f表示当前批次中属于第i个簇的样本特征；

整体训练目标为：

其中，λ是一个加权超参数，控制对比学习损失的重要程度。

6.根据权利要求5所述的一种无监督域适应行人重识别方法，其特征在于：所述将全局特征和局部特征的相似度通过交叉一致性分数进行评判，具体包括：将交叉一致性分数定义为全局特征和局部特征的k最近邻间的Jaccard相似度，图片的全局特征空间g和第n个局部特征空间pn的交叉一致性分数的计算形式公式为：其中， 和 是k相互最近邻，即

是f的k最近邻，|·|表示k相互最近邻集合中的候选项数。

7.一种无监督域适应行人重识别系统，其特征在于，所述系统用以实现权利要求1所述的一种无监督域适应行人重识别方法，所述系统包括：基础模型构建模块，用于将提取后的样本特征经过特征映射分为全局特征和局部特征，通过交叉熵损失和三元组损失构造样本的全局特征和局部特征的基础模型；

伪标签生成模块，用于对样本的全局特征进行聚类操作，通过聚类操作生成伪标签，通过生成的伪标签训练全局和局部特征并以监督的方式优化网络；

相似度评判模块，用于将全局特征和局部特征的相似度通过交叉一致性分数进行评判；

提纯模块，用于结合交叉一致性分数和样本的局部特征实现对伪标签的提纯，以便完成行人重识别。

8.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1‑6所述的方法中的任一方法。

9.一种计算设备，其特征在于，包括：

一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1‑6所述的方法中的任一方法的指令。