1.一种基于深度学习的行人重识别方法，其特征在于：对输入到孪生神经网络中的一对数据提取特征的同时，在每一步降维或卷积操作之后计算两个输入数据之间的欧氏距离，由此获得一个欧式距离矩阵；利用该欧式距离矩阵设计一个损失函数，使用图像对或高维特征图像对计算出来的欧式距离，对最终使用特征序列对计算出的欧式距离进行优化，通过网络的梯度回传，优化参数，加速网络的训练；

包括如下步骤：

步骤1：将数据集划分成训练集和测试集，对数据集进行预处理，将来自同一目标的不同摄像头的图像组合作为一个正样本对，将来自不同目标的两张输入图像随机配对，作为负样本对；

步骤2：将分配好的正负样本对交替输入孪生神经网络中；

将一对样本对进行下采样，得到样本对的低维图像对；同时将样本对中两张图像分别作为孪生神经网络的两个输入；

步骤3：计算低维图像对之间的欧式距离；并使用卷积神经网络，分别提取输入到孪生神经网络中的样本对的特征，卷积神经网络中设置三个卷积层，图像每经过一次卷积操作后将特征图输出，最后得到三对不同维度的特征图；

步骤4：分别计算三对特征图对之间的欧氏距离；

步骤5：将卷积层最后输出的特征图对经过全连接层，得到特征序列对，并计算特征序列之间的欧式距离；

步骤6：将计算所得的五个欧氏距离置入距离矩阵，并使用距离矩阵计算距离损失；

步骤7：将特征序列对分别使用交叉熵损失计算出两个分类损失；

步骤8：将计算得到的距离损失和两个分类损失相加，得到网络最终损失；

步骤9：通过梯度回传更新网络中各参数的梯度，经训练之后得到有效的模型。

2.根据权利要求1所述的一种基于深度学习的行人重识别方法，其特征在于：数据集来自经典的行人重识别数据集，每个样本需要有来自于不同摄像头所拍摄的图像；并将数据划分为训练集和测试集，训练集和测试集各占比50％。

3.根据权利要求2所述的一种基于深度学习的行人重识别方法，其特征在于：所述的对数据进行预处理，包括将RGB图像转换为YUV图像，并将图像的每一层均减去该层的均值。

4.根据权利要求3所述的一种基于深度学习的行人重识别方法，其特征在于：下采样操作通过一个1*1的卷积核，设置stride为2或者3来实现降维操作，得到InputA_LR和InputB_LR，计算两张低分辨率图像之间的欧式距离，得到dist1；同时将样本对作为孪生神经网络中的两个输入，在卷积神经网络中执行特征提取操作；

所述的卷积神经网络的主体由三个卷积层以及一个全连接层组成，每个卷积层后面都连接了激活函数，激活函数是tanh或者ReLU。

5.根据权利要求3或4所述的一种基于深度学习的行人重识别方法，其特征在于：输入的数据经三个卷积层处理，并在每一次卷积操作后输出一个特征图，由于卷积层中卷积核设置为3*3或者5*5，所以每经过一次卷积操作后，特征图的维度将会越来越小，设三个卷积层layer1、layer2、layer3对应输出的特征对分别为FeatureA_1/FeatureB_1、FeatureA_2/FeatureB_2、FeatureA_3/FeatureB_3，三个特征图的维度呈递减；通过特征对分别计算出三个特征维度下的特征之间的欧式距离，分别为dist2、dist3、dist4。

6.根据权利要求5所述的一种基于深度学习的行人重识别方法，其特征在于：在经过第三层卷积层后，网络除了将特征对FeatureA_3/FeatureB_3输出以计算特征之间的欧式距离，也将该特征输入到全连接层；全连接层在减少特征数的同时，也将特征转化为1*n形式的特征序列，其中n为划分数据集时训练集拥有的样本数量；通过全连接层，将特征序列映射到n个特征上，得到输出序列FeatureA_4和FeatureB_4，为后面使用交叉熵损失计算分类损失做好准备。

7.根据权利要求6所述的一种基于深度学习的行人重识别方法，其特征在于：使用FeatureA_4和FeatureB_4计算卷积网络最后产生的特征序列间的欧式距离Dist5；至此将计算所得的五个欧式距离乘上相对应设置的权重后，置入距离矩阵Dist。

8.根据权利要求7所述的一种基于深度学习的行人重识别方法，其特征在于：使用交叉熵损失分别计算两个输出序列的分类损失，得到loss2和loss3；并使用公式来计算距离损失loss1；

计算网络损失的公式如下所示：

φ＝[1,1,1,1,1](3)

loss＝loss1+loss2+loss3(4)

其中，y为为每个样本对设置的标签，当样本对为正样本对时y＝1，当样本对为负样本对时y＝0；m为设置的正负样本类之间的距离阈值；φ是一个全为1的矩阵，用于矩阵间相乘。