1.一种增强优化跨域行人重识别方法，其特征在于：该方法包括以下步骤：S1：获取辅助数据和目标数据，两类数据行人身份完全不同且来自多个摄像机；辅助数据包含行人身份信息，目标数据不包含身份信息；

S2：将目标数据送入深度神经网络，指定可靠训练数据和增强训练数据，并为可靠训练数据分配伪标签；增强训练数据由难样本和随机采样的可靠样本组成；

S3：将辅助数据和可靠训练数据依次输入深度神经网络，计算辅助数据和可靠训练数据的分类损失，分别以Lsrc和Lr_id表示；

S4：将深度神经网络输出的可靠训练数据特征存入特征字典Er；根据特征字典探索查询图像的动态近邻样本，使相似特征彼此接近，并计算可靠相似性损失Lr_near；

S5：将步骤S2的增强训练数据输入深度神经网络，输出特征存入增强特征字典Ee，挖掘动态近邻样本，优化模型对难样本的识别，并计算增强训练损失Lenh_near；

S6：根据S3～S5，将可靠训练数据的分类损失、相似性损失和增强训练数据的增强相似损失进行加权，得到目标数据总损失为：Ltgt＝ηLr_id+Lr_near+Lenh_near

S7：模型总的损失函数包括：辅助数据分类损失和目标数据总损失的加权和；

L＝(1‑λ)Lsrc+λLtgt

S8：重复S2～S7，直到迭代次数到达设定的最大迭代次数时，模型训练完成；

S9：将查询图像和展示图像输入步骤S8训练好的行人重识别模型，输出匹配排序列表和性能结果。

2.根据权利要求1所述的一种增强优化跨域行人重识别方法，其特征在于：所述可靠训练数据和增强训练数据的选取包括：每次迭代前对目标数据进行聚类，簇内数据作为可靠训练数据，簇外数据作为增强训练数据的难样本；对可靠训练数据动态分配伪标签，并从簇内样本数量大于n的簇中随机选择1/n的样本扩充增强训练数据。

3.根据权利要求1所述的一种增强优化跨域行人重识别方法，其特征在于：所述特征字典Er和增强特征字典Ee的更新方式不同；Er采用动量更新方式存储可靠训练数据特征，保留样本的历史信息；Ee直接存储模型本次学习的特征。

4.根据权利要求1所述的一种增强优化跨域行人重识别方法，其特征在于：所述动态近邻样本的选取包括：近邻样本数量的动态确定；根据输入特征与特征字典间的相似得分大于最高分值乘以一个比例σ的样本数在本批样本中进行加权平均，得到随本批数据变化的近邻样本个数k；根据近邻样本个数和特征字典中的特征相似得分矩阵，动态地选择近邻样本。

5.根据权利要求3所述的一种增强优化跨域行人重识别方法，其特征在于：对所述动态近邻样本的处理方法为：输入图像与近邻样本分配相同的伪身份，计算可靠相似性损失时乘以权值1/k。

6.根据权利要求3所述的一种增强优化跨域行人重识别方法，其特征在于：所述增强训练数据用于增强特征字典的构建，以及增强重识别模型对目标域中难匹配样本的探索；

所述目标域中，损失函数的表达式为：