1.一种基于对比学习的无监督行人重识别方法，其特征在于，包括：S1 基于无标签的行人重识别数据集X，使用骨干编码器 对数据集X进行编码 得到特征向量集合D；S2 通过DBSCAN聚类方法将特征向量集合D中的特征向量在高维空间中聚为N类，给每个特征向量赋予一个伪标签，将每一个聚类用一个特征向量表示并将该个特征向量维护在内存字典M中，获得第一集群；S3 通过第一集群，并利用集群级别的对比损失迭代训练网络模型；在每个迭代轮次中从上一轮次使用的集群随机抽取 的小批量个特征向量，并且在前某多个训练周期添加离群值损失辅助训练，同时更新内存字典；具体包括：步骤S3包括：所述前某多个训练周期为前20个训练周期，在所述前20个训练周期内，针对Market1501数据将EPS参数设置为0.65，针对DukeMTMC-reID数据集将EPS参数设置为0.7；在所述前20个训练周期之后，针对DukeMTMC-reID数据集我们将EPS参数设置为0.7之后，针对Market1501数据集将EPS参数设置为0.45，针对DukeMTMC-reID数据集将EPS参数设置为0.55；在每轮训练之前，通过式 （1）对内存字典进行初始化；式中， 表示当前阶段第i类所包含的样本数量； 表示第i个集群的一个样本特征向量； 表示第i类的集群中心；在所述前20个训练周期内，通过式 （2）和 （3）对内存字典进行难样本更新；式中， 表示抽取的小批量样本中的第i类的平均值， 表示对于第i类所抽取的K个样本特征；集群中心以动量方式更新， 是动量法中的更新权值；在所述前20个训练周期之后，通过式 和 （5）对内存字典进行难样本更新；式中， 表示小批量样本的第i类中与第i类的集群中心 的余弦相似度最小的一个特征向量；通过式 （6）计算所述前20个训练周期的集群级别的损失函数；式中，q表示任一待查询向量，P表示本轮迭代批次所抽取的类别数， 表示所抽取的P个类别的集群中心， 表示q所属类别的集群中心；在所述前20个训练周期内，通过式 （7）和 （8）处理离群值损失；式中， 是表示相对于当前离群值被认为不可靠的集群的比例， 表示本轮迭代批次所抽取的离群值的数量， 是两个损失函数之间的平衡因子；S4 迭代重复步骤S1至S3，直至网络模型收敛；收敛的网络模型用于行人重识别。
2.根据权利要求1所述的方法，其特征在于，网络模型删除了第4层之后的所有子模型层，并且具有全局池化，以及批处理正则化层和L2正则化层。
3.根据权利要求1所述的方法，其特征在于，步骤S2中：每个训练周期开始之前，计算特征向量集合D中的特征向量之间的Jaccard距离；在DBSCAN聚类方法中，将最少点数设置为4。
