1.一种基于特征压缩的单样本行人重识别方法，其特征在于，执行如下步骤S1‑步骤S6，完成对目标行人的识别：步骤S1：选取由行人图像构成的行人重识别的标准数据集，行人重识别的标准数据集中包括已标签图像和未标签图像；

步骤S2：基于CycleGAN网络，构建对抗性图片生成模块，以行人重识别的标准数据集中的已标签图像为输入，生成预设数量的对抗性生成图像；

步骤S3：基于ResNet50网络，并引入特征压缩方法进行数据增强，构建单样本行人重识别网络，单样本行人重识别网络以步骤S2中生成的图像以及行人重识别的标准数据集中的未标签图像为输入，获得距离矩阵，根据距离矩阵，对未标签图像标注伪标签；

步骤S4：随机选取P个行人，针对每个行人选取K张图像，输入单样本行人重识别网络，并联合加权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，对单样本行人重识别网络进行训练；

步骤S4中所述的加权难样本三元组损失函数LSig_Hard_TriLoss如下式：式中，A为锚点样本，P为正样本，N为负样本，α为阈值参数，用 进行欧式距离的计算，其公式计算如下：为对特征运算，其公式计算如下：

式中，f为输入特征，P为正样本，BN为批归一化操作， 为输出特征；

交叉熵损失函数Lcross‑entropy如下式：

式中，Num为行人数量，y为行人真实标签，pi为输出预测身份概率值，qi如下式：其中，ε为错误率，代入交叉熵损失函数，获得步骤S4中所述的标签平滑正则化的交叉熵损失函数Llsr；

联合加权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如下式：Lsum＝LSig_Hard_Tri+Llsr

步骤S5：若达到指定的训练轮数，或已将全部图像标注伪标签，则完成训练，获得训练好的单样本行人重识别网络，否则返回步骤S3，继续对单样本行人重识别网络进行训练；

步骤S6：应用训练好的单样本行人重识别网络，完成对目标行人的识别。

2.根据权利要求1所述的一种基于特征压缩的单样本行人重识别方法，其特征在于，步骤S1中所述的行人重识别的标准数据集为Market‑1501数据集。

3.根据权利要求1所述的一种基于特征压缩的单样本行人重识别方法，其特征在于，将行人重识别的标准数据集表示为x＝{l,u},其中l为已标签图像集，u为无标签图像集；步骤S2中所述的CycleGAN网络训练两个生成器G和G’，其中一个生成器G，输入一个已标签图像l，输出一个未标签图像u’，表示为G(l)＝u′；另一个生成器G’，输入一个未标签图像u，输出一个已标签图像l’，表示为G′(u)＝l′；

对应训练两个打分器S和S’，分别判断两个生成器输出图像的好坏：若生成器G输出图像u’与无标签图像集u中无相似图像，则打分器S对生成器G输出图像u’打预设低分，反之若生成器G输出图像u’与无标签图像集u中有相似图像，则打分器S对生成器G输出图像u’打预设高分；

若生成器G’输出图像l’与已标签图像集l中无相似图像，则打分器S’对生成器G’输出图像l’打预设低分，反之若生成器G’输出图像l’与已标签图像集l中有相似图像，则打分器S’对生成器G’输出图像l’打预设高分。

4.根据权利要求1所述的一种基于特征压缩的单样本行人重识别方法，其特征在于，步骤S3所引入特征压缩方法包括特征阶梯化技术，将输入图像由i个比特位表达的颜色值减少到用j个比特位表达，其表达式如下式：式中，x为输入图像每个像素的单通道输入值，X为输出值；

对于每一张图像，随机生成一个值p，范围限定在0到1；根据p的取值决定对图像的特征压缩情况，其表达式如下式：式中，α1和α2为边界值。

5.根据权利要求1所述的一种基于特征压缩的单样本行人重识别方法，其特征在于，步骤S4中分别针对同一行人的图像，采用竞争遮挡的方式，将每张图像分成互不重叠的n个区域，依次对各张图像中一部分区域进行遮挡，每张图像生成n张图像，遮挡图像选择大规模数据集ImageNet中的随机图片的随机区域，以生成预设数量的图像，作为单样本行人重识别网络的训练样本。