1.一种基于特征去噪的行人再识别非局部防御方法，其特征在于，包括以下步骤：步骤1、输入P×K张彩色图像至行人再识别非局部防御网络；

步骤2、通过对输入的图像进行通道级图像擦除处理；

步骤3、利用Resnet50网络和基于非局部特征去噪块，捕获特征之间的相似性；

步骤4、通过联合损失函数，训练出性能良好的防御网络；

步骤5、利用步骤3获得的对齐的深层特征对浅层特征进行解耦知识蒸馏；

步骤6、若达到指定的训练轮数，则结束；否则继续完成训练，返回步骤1；

所述步骤2包括以下步骤：

步骤2‑1：将输入的图像简单地转换为三个复制的单通道图像，丰富通道信息；

步骤2‑2：对图像的每一个通道进行随机擦除操作；

步骤2‑3：输出处理后的图像；

所述步骤2中，利用通道级随机擦除方法对输入的特征图进行数据增强；

所述步骤3包括以下步骤：

步骤3‑1：将图像特征进行经过1×1卷积层处理，然后进行点积计算得到相似性特征矩阵；

步骤3‑2：相似性特征矩阵经过softmax函数得到相似性权值，再通过计算得出特征图中的自相关性来去除噪声；

步骤3‑3：将经过去噪的特征表示送入1×1卷积层进一步处理，最后通过残差连接将该卷积层的输出添加到块的输入中；

所述步骤3中，以非局部特征去噪块的形式，内嵌在ResNet50网络中，捕获特征之间的相似性；

所述步骤4中，采用难样本三元组损失函数和标签平滑正则化的交叉熵损失函数联合训练网络；

所述采用难样本三元组损失函数具体为：假设在包含P个不同行人的批次样本中，每个行人选取K张图像，然后将它们组成一个大小为P×K的数据集；接着，对于每次训练，从这个数据集中选择类内距离最远和类间距离最近的三张图像组成三元组，并使用其中最困难的样本对来计算损失函数，难样本三元组损失函数表达式如式(1)所示：其中，A为锚点样本，P为正样本，N为负样本，α为阈值参数；

交叉熵损失函数，具体如式(2)、式(3)所示：其中，N为行人ID数量，y为行人真实标签，pi为输出预测身份概率值；引入了标签平滑方法，即为网络分配少量错误的标签，计算过程如式(4)所示：其中，ε为错误率，取0.1，此时得到引入标签平滑的交叉熵损失函数Llsr；

联合标签平滑正则化的交叉熵损失和难样本三元组损失监督训练，构建的联合损失函数Lsum如式(5)所示：Lsum＝Ltri_hard+Llsr (5)。