1.一种基于Transformer与空间注意力机制的行人重识别方法，其特征在于，包括如下步骤：S1、选取Transformer encoder特征提取器，包括如下小步：S11、先将图像划分成H×W的图像块x，每个图像块的步长为S、大小为P，则图像块个数N的公式为：(1)

S12、图像块展平成二维矩阵,经过线性映射后输入Transformer encoder得到特征F，特征F公式为：(2)

其中， 分别为序号0,1,…，N个图像块；

S13、特征F经过cls_token添加，添加一组位置嵌入和边缘信息嵌入SIE，得到新的特征， 公式为：(3)

其中， 为位置嵌入，用于为保证编码器能以正确顺序识别到输入的图像块； 为cls_token添加的图像块，用于保证分类任务的准确进行；SIE为边缘信息嵌入，用以标记不同摄像头；

S14、利用多头注意力机制来处理特征 ，以捕捉特征 中的依赖关系，分别得到：(4)

(5)

(6)

(7)

其中， 为多头注意力机制函数；

Q为查询矩阵，K为键矩阵，V为值矩阵；d为键矩阵的维度，用于缩放点积以稳定函数；

， ， 分别是特征的查询、键、值的变换矩阵；

S15、将前馈神经网络FFN引入处理多头注意力机制的输出，得到特征 ， 公式为：(8)；

S2、加强一个全局注意力以及四个空间注意力模块，包括如下小步：S21、首先在全局分支引入一个全局注意力模块，同时针对头部、躯干、下肢、脚引入四个空间注意力模块，定义全局、头部、上肢、下肢、脚的特征分别为xglobal, xhead, xupper, xlower, xshoes；

S22、采用卷积层以及平均池化层，用以生成行人全局以及四个局部区域的掩膜，对应掩膜分别为global_mask,head_mask,upper_mask,lower_mask,shoes_mask，进而突出行人未被遮挡的部分，最大限度地减小噪声干扰；

S23、将Transformer encoder输出的矩阵 中的每一个元素分别与五个掩膜矩阵中的每一个元素相乘，即得到五个特征的表达式，公式为：(9)

(10)

S3、改进训练方法及损失函数，包括如下小步：S31、改进训练方法，通过将全局特征经全局掩膜处理后，与四个局部特征拼接在一起，得到本地拼接函数 ， 公式为：(11)

同时输出五个掩膜函数 ， 公式为：

 (12)

S32、利用三元组损失与ID损失来调整模型的参数，记作Lglobal，公式为：(13)

其中， 损失为三元组损失，ID损失为交叉熵损失；

S33、利用BCELoss作为语义损失用以训练全局以及四个局部特征的掩膜函数，记作Lmask，公式为：(14)

其中， 损失为语义损失；

S34、将总的损失函数记作L，公式为：

(15)。

2.如权利要求1所述的基于Transformer与空间注意力机制的行人重识别方法，其特征在于，所述步骤S2中，全局注意力模块中包含一个通道注意力模块和一个空间注意力模块，特征 先由一个通道注意力模块处理，随后由空间注意力模块处理。

3.如权利要求1所述的基于Transformer与空间注意力机制的行人重识别方法，其特征在于，所述步骤S3中，改进训练方法及损失函数运行于装有pytorch框架的NIVIDA 3090Ti GPU的训练环境，采用梯度下降SGD优化器对模型进行训练；训练集的掩膜通过JPPNet得到，采用空洞卷积模块以及ResNet-101作为特征提取器提取图像特征，引入一个空洞池化金字塔模块ASPP作为输出层用于分割行人的图像。

4.如权利要求1所述的基于Transformer与空间注意力机制的行人重识别方法，其特征在于，所述步骤S32中，ID损失用于模型学习行人的身份特征，Triplet损失用于帮助模型处理行人之间的相似性和差异性；

通过这两种损失函数的联合优化，得到更加准确和鲁棒的行人重识别模型；

每个batch的大小被设置为64，在三个数据集上均训练120个epoch；

输入的图片每张大小调整为256×128；

-4

特征提取器采用12个Transformer encoder，权重衰减设置为1e ；

损失函数中的超参数设置为1；

得到在训练过程中的损失函数值与epoch的关系曲线。

5.如权利要求1所述的基于Transformer与空间注意力机制的行人重识别方法，其特征在于，所述方法还包括如下后置步骤：S4、数据集以及评价指标：

S41、采用两个基准数据集Market-1501、DukeMTMC-reID以及遮挡数据集OccludedDuke作为数据集，其中：Market1501数据集中的行人图片来自于清华大学校园内的6个摄像头，内含1501个不同的行人ID；

DukeMTMC-reID数据集中图像来源于Duke大学校园内的8个摄像头，为DukeMTMC数据集的一个子集，共含有1812个行人的36411张图片；

OccludedDuke数据集为基于DukeMTMC-reID数据集生成的遮挡数据集；

S42、采用mAP与Rank-1两项评价指标来衡量方法的准确度。

6.如权利要求5述的基于Transformer与空间注意力机制的行人重识别方法，其特征在于，所述步骤S42中，选取无遮挡数据集Market1501以及遮挡数据集OccludedDuke，同时去除所有的注意力机制，包括全局、头、上肢、下肢、脚的注意力，随后采用相同数据集，在相同条件下测试mAP、Rank-1；

在market1501数据集上的mAP增加3%，Rank-1增加1%，而在遮挡数据集OccludedDuke上，mAP增加1.6%，Rank-1增加3%；

在market1501数据集上的mAP为91.6，Rank-1为96.0，在DukeMTMC数据集上的mAP和Rank-1分别为78.7和87.2，在OccludedDuke数据集上的mAP和Rank-1分别为58.7和67.2；

因此，数据集上的mAP、Rank-1两项评价指标均明显优于未采用注意力机制时的Transformer框架。