1.一种基于Transformer和融合聚类的对比学习无监督行人重识别方法，其特征在于，包括以下步骤：（1）监控摄像头拍摄行人视频上传至云端服务器，服务器对行人进行跟踪并裁剪图片；

（2）使用Transformer网络提取行人图像特征；

（3）融合聚类模块对提取的图像特征进行融合聚类；

（4）利用多级对比学习模块获取实例之间的关系；具体如下：创建内存库存储集群特征和实例特征，利用基于困难样本挖掘的实例级对比损失HIL和基于内存更新策略的集群级对比损失MUL进行训练；损失函数公式如下：；

其中， 代表实例级对比损失HIL， 则表示集群级对比损失MUL，参数 是介于0和1之间的平衡因子；

基于困难样本挖掘的实例级对比损失HIL的定义如下：

；

其中，q为查询实例特征，P表示样本对的数量， 为温度超参数， 为同一伪标签内余弦相似度排名最小的实例特征， 为困难负实例特征，对应于第i聚类，其余弦相似度排名最高；

；

；

其中， 表示q所属集群中的第k个正样本， 代表第i个聚类中的第k个样本，q为查询实例特征，k表示取值范围从1到K的所有整数；

基于内存更新策略的集群级对比损失MUL的定义如下：

；

其中，q为查询实例特征， 为集群i的代理特征； 为查询实例q所属集群的代理特征， 为温度超参数。

2.根据权利要求1所述的一种基于Transformer和融合聚类的对比学习无监督行人重识别方法，其特征在于，步骤（1）具体如下：采用Faster RCNN算法检测行人，并画出行人检测框，统一裁剪成256×256像素规格的行人图片组成图库集。

3.根据权利要求1所述的一种基于Transformer和融合聚类的对比学习无监督行人重识别方法，其特征在于，步骤（2）具体如下：首先，将输入图像经过批处理归一化IBN的卷积层处理，生成特征映射 ；其中，C代表图片的通道数,H代表的是图片的高度，W 代表的是图片的宽度；然后将图像特征分割为P个不重叠的块，并将每个块投影成一个D维特征作为嵌入标记；并附加一个额外的可学习类令牌添加到输入序列中，将其作为Transformer网络的输入；最后，送入到包含L个Transformer层的网络中，每层都由多头注意力MSA和多层感知MLP模块组成；Transformer网络最终的输出记为 。

4.根据权利要求1所述的一种基于Transformer和融合聚类的对比学习无监督行人重识别方法，其特征在于，步骤（3）具体如下：使用DBSCAN聚类算法生成伪标签来进行模型训练；在聚类阶段，采用不同的超参数运行DBSCAN聚类算法，获取多个聚类结果，将多个聚类结果进行融合；将属于同一个集群的行人图像分配相同的伪标签；最终得到新的带有标签的数据集，表示为 ；其中， 表示集群的标签， 为实例数量，Q表示为集群的数量；其中，超参数 为0.45，0.5，0.55，0.6。