1.一种基于TOIM损失函数的行人重识别方法，其特征在于，包括以下步骤：

S1、准备数据集，数据集中每个不同身份的行人具有不同ID；

S2、利用pytorch框架搭建基于ResNet‑50模型的网络模型；

S3、将数据集中训练集的图片输入至网络模型中进行训练；

S4、将数据集中测试集的图片输入至训练好的网络模型中，识别行人身份；

所述步骤S3的训练过程为：

(1)、利用交叉熵损失函数对网络模型进行预训练；

(2)、预设每个ID对应生成一个用于存储该ID所对应行人在不同摄像头下的512维特征信息的存储表，然后将训练集中的图片输入到经步骤(1)训练好的网络模型中，利用网络模型的输出结果初始化所有ID的存储表；

(3)、结合步骤(2)中的存储表对经步骤(1)训练好的网络模型进行再训练。

2.根据权利要求1所述的基于TOIM损失函数的行人重识别方法，其特征在于：所述步骤S1中，所述的数据集为数据集Duke、数据集Market‑1501、数据集UESTC‑PR中的一种,当数据集为数据集UESTC‑PR时，其准备过程为：将若干摄像头架设在UESTC‑PR中的路灯顶端，由摄像头俯视采集行人图片，采集的行人图片为至少三个摄像头在同一场景下拍摄的图像的集合，采集完后得到数据集UESTC‑PR，然后对数据集UESTC‑PR中每个不同身份的行人标定不同ID，并划分为训练集和测试集。

3.根据权利要求1所述的基于TOIM损失函数的行人重识别方法，其特征在于：所述步骤S2中，所述的网络模型依次包括卷积层、块结构、平均池化层和全连接层，其中，块结构的数量为4个，每个块结构分别包含3，4，6，3个残差单元。

4.根据权利要求1所述的基于TOIM损失函数的行人重识别方法，其特征在于：所述步骤S2中，所述的网络模型搭建后，使用AdaDelta优化器进行初始化，初始学习率设置为0.001，批处理图片数量设置为M，M为15—30。

5.根据权利要求1所述的基于TOIM损失函数的行人重识别方法，其特征在于：所述步骤S2中，所述的网络模型中图片的输入维度为M*3*256*128，M代表批处理图片数量，3代表通道数，256*128为图片大小；图片的输出维度为M*512，512代表每张图片中行人的512维特征信息。

6.根据权利要求1所述的基于TOIM损失函数的行人重识别方法，其特征在于：所述步骤D D×C(2)中，每个ID的特征用f∈R来表示，D代表行人的特征维度信息，每个存储表用V∈R 表示,C代表数据制作过程中所采用的摄像头的数量。

7.根据权利要求6所述的基于TOIM损失函数的行人重识别方法，其特征在于：所述步骤(3)中采用批次迭代训练方式进行再训练，具体过程如下：A、从所有存储表中选择N个anchor样本作为第一批次训练样本(N＝M)，将该批次中N个anchor样本所对应的ID和摄像头信息存储至预设的更新表中，更新表的长度为U(U>N)；然后从所有存储表中为每个anchor样本挑选对应的positive样本和negative样本，得到N个均包含anchor样本、positive样本和negative样本的三元样本组，将三元样本组输入至网络模型中，计算每个三元样本组中样本间的欧氏距离，并根据得到的欧氏距离计算出该批次中N个样本的损失值，再利用损失值进行反向传播更新存储表；

B、将剩余样本分成多个批次，每批次同样包括N个anchor样本，采用队列更新的方式将每批次中N个anchor样本所对应的ID和摄像头信息存储至更新表中，然后从所有存储表中为每个anchor样本挑选对应的positive样本，从更新表中为每个anchor样本挑选对应的negative样本，得到N个均包含anchor样本、positive样本和negative样本的三元样本组，将三元样本组输入至网络模型中，计算每个三元样本组中样本间的欧氏距离，并根据得到的欧氏距离计算出每批次N个样本的损失值，再利用损失值进行反向传播更新存储表；

C、重复步骤A和步骤B，直至所有训练样本完成13个epoch，训练完成。

8.根据权利要求7所述的基于TOIM损失函数的行人重识别方法，其特征在于：所述步骤A和步骤B中，损失值的计算方法为：i

式中，LTOIM表示损失值，d()表示两个样本之间的欧氏距离，fa 表示ID为i的anchor样i本，fp表示ID为i，但是距离与anchor样本最大的positive样本， 表示ID与anchor样本的ID不同，但是距离与anchor样本最小的negative样本。

9.根据权利要求7所述的基于TOIM损失函数的行人重识别方法，其特征在于：所述步骤B和步骤C中，利用公式vp‑c←γvp‑c+(1‑γ)f更新存储表，式中p表示ID为p，c表示该ID在c摄像头下，γ∈[0,1]。