1.一种模态增强和补偿的跨模态行人重识别方法，其特征在于，包括如下步骤：步骤S1、构建双流骨干网络，基于输入图片，分别提取可见光模态和红外模态的行人特征信息；

步骤S2、构建模态增强空间，提取具有充分行人模态信息的特征；

步骤S3、构建模态补偿空间，从三个维度补偿两个模态相应的缺失模态信息；

步骤S4、设计模态相互指导学习策略，指导两个模态相互学习相应的行人身份信息，并引导模态特征对齐匹配；

步骤S5、利用损失函数进行网络优化，对网络提取的特征进行相似性度量，输出行人匹配结果。

2.根据权利要求1所述的模态增强和补偿的跨模态行人重识别方法，其特征在于，步骤S1，基于ResNet‑50构建双流骨干网络，所述双流骨干网络分为五个阶段，具体如下：步骤S101、构建双流特征提取网络的前三个阶段：前三个阶段为特定模态阶段，网络参数不共享，分别针对红外模态和可见光模态构建两个网络分支，提取两个模态的浅层次行人特征，将两个网络分支提取出来的特征在批次维度上进行拼接，形成新的特定模态特征表示；

步骤S102、构建双流特征提取网络的后两个阶段：后两个阶段为共享模态阶段，将拼接后的特定模态特征作为输入，进行共享模态特征提取，共同提取两个模态的行人特征信息，得到初始行人特征F， C、H、W分别表示初始行人特征的通道、高度和宽度。

3.根据权利要求2所述的模态增强和补偿的跨模态行人重识别方法，其特征在于，步骤S2构建模态增强空间，堆叠若干不同类型的卷积块，并结合通道注意力机制，对双流骨干网络中共享模态阶段提取的行人特征信息进行增强，获取行人识别信息，使得提取的行人特征具有身份相关信息，在模态增强空间中生成增强行人特征。

4.根据权利要求3所述的模态增强和补偿的跨模态行人重识别方法，其特征在于，所述模态增强空间为具有不同尺度的双分支结构，每个分支包括三个阶段，由三种卷积结构组成，包括Down‑Conv、Enhance‑Conv和Up‑Conv；构建模态增强空间，具体步骤如下：步骤S201、设计Down‑Conv卷积结构，将其放置在双分支的开始位置，用于将特征的通道维数从C降为C/r，以减少操作的计算量，r是一个超参数，Down‑Conv表示如下：Down‑Conv(·)＝ReLU(BN(PConv1×1(·)))其中，PConv1×1(·)表示内核大小为1的point‑wise卷积；BN(·)表示批归一化层；

步骤S202、设计Enhance‑Conv卷积结构，由两种具有不同感受野尺度的卷积组成，以提取行人的细节，表示为：Enhance‑Conv(·)＝ReLU(BN(GConv3×3(PConv1×1(·))))其中，GVonv3×3(·)是一个内核大小为3的组卷积算子；

步骤S203、设计Up‑Conv卷积结构，将增强特征通道维数恢复到原始通道维数C，表示为：Up‑Conv(·)＝BN(PConv1×1(·))

步骤S204、基于上述三个卷积结构，将从双流骨干网络提取出来的初始行人特征F输入到双分支结构的模态增强空间中，挖掘包含丰富模态信息的鉴别性行人特征，将两个分支的融合结果与初始行人特征F残差连接，在模态增强空间中生成增强行人特征步骤S205、将设计好的模态增强空间，分别放置在双流骨干网络最后两个阶段的后面。

5.根据权利要求3所述的模态增强和补偿的跨模态行人重识别方法，其特征在于，步骤S3构建模态补偿空间，基于红外模态和可见光模态之间的差异，分别从模态增强空间中提取出的增强行人特征的高度、宽度和通道三个维度，进行相应模态特征的信息补偿，丰富行人身份信息并提高特征表示的鲁棒性，使得相应的模态特征不再缺失另一个模态的行人身份信息，缓解模态之间的差异。

6.根据权利要求5所述的模态增强和补偿的跨模态行人重识别方法，其特征在于，构建模态补偿空间，用可见光模态信息补偿红外模态特征，具体步骤如下：步骤S301、将增强行人特征 沿批次维度分为可见光增强特征和红外增强特征 对高度、宽度和通道维度进行排列重构，形成新的重塑特征 和 分别对重塑特征的第一个维

度使用平均池化和最大池化，池化结果分别为 和

步骤S302、从池化后的特征中捕获细粒度的可见光模态信息，使用内核大小为7×7的深度卷积进行处理，通过归一化层和ReLU激活函数，利用sigmoid激活函数生成可见光模态特征的注意力权重 和步骤S303、用可见光模态信息补偿红外模态特征，在每批次中，红外特征分别从高度、宽度和通道三个维度上乘以可见光模态的注意力权重 和 将 在高度、宽度和通道三个维度进行重构以方便矩阵相乘，重塑为 和计算 在不同维度中包含的可见光模态行人信息，分别将 和 乘以和 获得 和

步骤S304、将特征 和 进行加法运算，求平均得到红外模态特征 中每个维度都包含了关于可见光模态特征 的相关行人模态信息；

步骤S305、在 上使用位置注意力机制，沿高度和宽度维度方向保留准确的行人位置信息，得到的红外特征 接收到来自可见光模态特征 所有维度的细粒度信息的补偿；

步骤S306、使用步骤S301至S305的操作，用红外模态特征 对可见光模态特征 进行相关行人信息的补偿，得到补偿后的可见光特征步骤S307、设计好的模态补偿空间，分别放置在双流骨干网络最后两个阶段后的模态增强空间的后面，构成完整网络。

7.根据权利要求6所述的模态增强和补偿的跨模态行人重识别方法，其特征在于，步骤S4中模态相互指导学习策略，通过身份信息互学习损失 和模态引导对齐损失 共同优化整个网络，具体步骤如下：步骤S401、创建两个二进制掩码mlavel和mulabel，分别用于过滤与标签相关和无关的预测结果，mlabel和mulabel中的每个元素都被定义如下：其中，label(p)是标签中的第p个行人身份；q为掩码的列数；

步骤S402、将mlabel和mulabel通过下式进行拼接，得到一个新的预测结果U，具有更多与标签无关的真实身份预测信息：其中，c(p，q)是预测矩阵c中的一个元素；N是行人身份数；

v i v i

步骤S403、将F 、F 、 和 分别通过BNNeck操作获得预测矩阵C 、C 、 和 通过步v i v i骤S402的式子为C、C、 和 分别计算出预测结果U、U、 和身份信息互学习损失 基于KL散度构建，定义如下：

v

其中， 是U的第j项，表示第j个身份行人特征的ul‑logit； 是 的第j项，表示第j个补偿可见光模态行人的ul‑logit；α是一个超参数；KL(·)表示KL散度计算；

步骤S404、模态引导对齐损失 用于减少不同模态之间和模态内部分布的距离，以增强特征的可辨别性，通过对可见光和红外特征施加MMD约束， 具体定义为：v i

其中，F和F 分别为初始特征F沿批次维度分割成初始可见光和红外特征， 和 分别是由模态补偿空间得到可见光补偿特征和红外补偿特征；norm(·)为2范数，gemp(·)为广义平均池化层，mmd(·)表示为：

1 2

其中，F 和F 分别表示mmd(·)的两个输入；φ(·)是将两个模态特征嵌入到再生核希尔伯特空间中的特征映射函数，K1、K2分别表示可见光和红外模态的行人数量。

8.根据权利要求1所述的模态增强和补偿的跨模态行人重识别方法，其特征在于，步骤S5中利用身份损失 和circle损失 对网络和分类结果进行优化，表示为：其中，N为每批内的训练样本数；yj为第i个行人身份的标签；p(yj|fj)是特征fj对应yj的预测；

其中，Δn＝m，Δp＝1‑m， 和 是正负样本

对；γ是circle损失的比例因子；m是控制正样本对和负样本对距离差的边界，M是正样本的数量。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1‑8中任一所述的方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时，实现权利要求1至8中任一项所述的模态增强和补偿的跨模态行人重识别方法中的步骤。