1.一种无监督行人重识别的多聚类引导易变特征对比学习方法，其特征在于，包括：采集行人拍摄图像数据，构建图像数据集；

通过无监督行人重识别模型对图像数据集进行特征提取得到待处理样本；

使用两种不同参数的聚类算法给待处理样本分配标签，通过对比两种聚类筛选出易变特征来引导内存库的初始化；

通过多聚类质心调度器处理初始化后的内存库得到易变特征内存库；

利用小批量待处理样本中的上下文信息，为每一个样本动态分配不同的权重，构造动态质心更新易变特征内存库；

通过易变特征内存库对无监督行人重识别模型进行反向传播优化，得到最优无监督行人重识别模型。

2.根据权利要求1所述的一种无监督行人重识别的多聚类引导易变特征对比学习方法，其特征在于，所述使用两种不同参数的聚类算法包括：；

其中， ， 分别为基准聚类的聚类结果和标签， ， 分别为扩展聚类的聚类结果和标签，、 分别为控制聚类的超参数， 和 是控制超参数的扩展因子。

3.根据权利要求2所述的一种无监督行人重识别的多聚类引导易变特征对比学习方法，其特征在于，还包括，对基准标签和扩展标签中对应特征的标签进行相加得到对比标签，基准聚类中类与类交界处的特征在对比聚类中会出现类内特征数量小于基准聚类的超参数 的情况，将这类特征标记为聚类敏感特征：；

；

；

；

其中， 和 分别为对比聚类的聚类结果和标签， 表示从标签到聚类结果的映射，num表示对比聚类中各个类特征数量的集合， 表示其中第i类中特征的数量， 为对比聚类中第i类的第j个特征， 为聚类超参数， 为聚类敏感特征。

4.根据权利要求3所述的一种无监督行人重识别的多聚类引导易变特征对比学习方法，其特征在于，构造不确定性因子对所述聚类敏感特征 进行筛选得到易变样本：；

其中， 表示第i类中的第j个特征， 为聚类敏感特征， 表示第i类中特征的数量，设置阈值Q来控制易变特征的选取，对于聚类敏感特征，当p的值大于Q时，进行聚类敏感特征过滤，得到最终的易变特征 。

5.根据权利要求4所述的一种无监督行人重识别的多聚类引导易变特征对比学习方法，其特征在于，还包括，利用最终的易变特征来引导质心的形成，得到的第k类质心如下：；

其中， 是易变特征的权重， 为易变特征，M是第k类中特征的总数量， ，通过增加易变特征在聚类质心形成过程中所占的权重，获得包含更多非噪声的边界信息的质心，令模型学习每个聚类的边界，利用经过权重调控的质心来初始化内存库。

6.根据权利要求1所述的一种无监督行人重识别的多聚类引导易变特征对比学习方法，其特征在于，所述利用小批量待处理样本中的上下文信息，为每一个样本动态分配不同的权重，构造动态质心更新易变特征内存库包括：根据样本与质心之间的距离，使用Softmax函数为每个查询样本分配不同的权重，反映特征的整体分布情况：；

其中，N表示小批量中第i类的实例数量， 为第i类的质心， 和 为样本实例，为线性调度器。

7.根据权利要求6所述的一种无监督行人重识别的多聚类引导易变特征对比学习方法，其特征在于，所述线性调度器 包括：；

其中， 为初始线性调度器，在整个训练过程中进行权重动态变化：得到第i类的动态质心如下：

；

利用动态质心更新内存库：

；

其中， 是控制动量更新的超参数。

8.根据权利要求1所述的一种无监督行人重识别的多聚类引导易变特征对比学习方法，其特征在于，所述通过易变特征内存库对无监督行人重识别模型进行反向传播优化包括：基于所有易变特征，并从中筛选出代表性的特征来构造损失函数，通过计算每个查询实例与易变特征 的内积，并选取易变代表性正样本向量 和易变代表性负样本向量，捕捉易变特征的信息：；

其中， 和 分别为与查询实例q同类和不同类的易变特征， 为与查询实例q同类中在特征空间距离最远的易变特征，而 是与查询实例q不同类中在特征空间距离最近的易变特征。

9.根据权利要求8所述的一种无监督行人重识别的多聚类引导易变特征对比学习方法，其特征在于，还包括，通过对向量的筛选，获得边界信息最大的易变正样本与易变负样本，构造易变特征损失：；

其中， 是温度超参数， 为期望值，易变特征挖掘总损失由ClusterNCE损失和易变特征损失两部分构成：；

其中， 为ClusterNCE损失， 为用于平衡这两种损失的权重系数。

10.一种无监督行人重识别的多聚类引导易变特征对比学习系统，其特征在于，包括：采集模块：用于采集行人拍摄图像数据，构建图像数据集；

特征提取模块：用于通过无监督行人重识别模型对图像数据集进行特征提取得到待处理样本；

初始化模块：用于使用两种不同参数的聚类算法给待处理样本分配标签，通过对比两种聚类筛选出易变特征来引导内存库的初始化；

易变特征内存库构建模块：用于通过多聚类质心调度器处理初始化后的内存库得到易变特征内存库；

更新模块：用于利用小批量待处理样本中的上下文信息，为每一个样本动态分配不同的权重，构造动态质心更新易变特征内存库；

反向传播优化模块：用于通过易变特征内存库对无监督行人重识别模型进行反向传播优化，得到最优无监督行人重识别模型。