技术特征：
1.一种基于多任务学习的遮挡行人重识别方法，其特征在于，包括以下步骤：一个分支构建随机遮挡模块，自动生成部分遮挡图片，得到遮挡数据集进行学习；另一个分支针对全身图，分别对全身图进行局部特征学习和姿态估计，然后结合两者特征；结合全身图学习到的行人id和遮挡图学习到的行人id，按照相似度大小排列，得到识别结果；我们用遮挡图片作为query，全身图作为gallery，随机选择一半行人身份进行训练，得到网络模型；我们利用剩下的一半行人身份作为测试集，评估网络模型的识别效果，将测试数据集输入到模型中，采用平均精度均值map和累积匹配特征曲线cmc curve来评估模型效果；把gallery数据集输入到由步骤四得到的模型中，保存模型提取的行人图像特征，最终得到一个行人图像特征数据库，每个特征都有唯一的行人id；输入查询行人图像，得到行人特征，检索图像特征，计算相似度，选出相似度最高的图片，得到的id就是查询图像的行人id。2.如权利要求1所述的方法，其特征在于，所述的一个分支构建随机遮挡模块，具体步骤如下：一个有n张图m个行人id的数据集x，通过映射函数，把数据集x转化为数据集z，数据集z中的每张图片都是随机遮挡的图片；此外，我们需要学习一种特征提取器h，使同一人的特征接近，不同人的特征差距更大；然后我们在卷积神经网络中训练这些遮挡图片，来识别每个人的身份，在数据集x上训练；我们将行人重识别作为一个分类问题，并使用softmax损失作为身份损失。3.如权利要求1所述的方法，其特征在于，分别对全身图进行局部特征学习和姿态估计，然后结合两者学习到的特征得到行人id的结果，具体如下：全身图经过骨干网络resnet50得到tensor t；把tensor t水平均分成六部分，经过平均池化得到6个列向量g，然后对每一向量进行卷积操作，降低维数得到列向量h，最后所有的列向量h输入到由全连接层和softmax函数构成的分类器中，得到预测的行人id；然后对全身图进行姿态估计，输入图片，利用姿态估计器得到18个地标，对于每个地标，姿态估计器预测其坐标和置信度得分，然后与阈值γ进行比较，置信度大于γ的求出其坐标，小于γ的置为0；利用地标生成以地面真实位置为中心的二维高斯热图，每张热图明确编码了行人不同区域的信息；将tensor t平均池化为全局特征，每张热图乘以t，得到姿态引导特征图，聚焦行人非遮挡部分，抑制来自遮挡区域的信息；每一个姿态引导特征图经过一个平均池化层，生成一个2048维的特征向量，然后对所有特征向量最大池化，并将它们与全局特征连接起来，将其输入全连接层，得到姿态导向全局特征，使用softmax预测每个输入图像的id。