La identificación de personas basada en video se ha vuelto bastante atractiva debido a su importancia en muchos problemas de vigilancia visual. Es un tema desafiante debido a los cambios inter/intra, la oclusión y las variaciones de pose involucradas. En este documento, proponemos un marco atento a la pirámide que se basa en características de múltiples partes y múltiples atenciones para agregar características de múltiples niveles y aprender representaciones basadas en la atención de personas a través de varios aspectos. Se utiliza la auto-atención para fortalecer las características más discriminativas en los dominios espaciales y de canal y capturar así información global robusta. Proponemos el uso de la atención de relación de partes entre diferentes representaciones de características de multi-granularidad para centrarse en el aprendizaje de características locales apropiadas. Se utiliza la atención temporal para agregar características temporales. Integramos las características más robustas en las vistas globales y de múltiples niveles para construir un modelo efectivo de red neuronal convolucional (CNN). El modelo propuesto supera a los modelos anteriores de vanguardia en tres conjuntos de datos. Especialmente, el uso del modelo propuesto permite alcanzar un 98.9% (una mejora relativa del 2.7% en el GRL) de precisión top1 y un 99.3% de mAP en el PRID2011, y un 92.8% (una mejora relativa del 2.4% en relación al GRL) de precisión top1 en iLIDS-vid. También exploramos la capacidad de generalización de nuestro modelo en un conjunto de datos cruzado.