技术特征：
1.一种基于分类权重等距分布损失模型的行人重识别方法，其特征在于，包括以下步骤：步骤1、将训练图片输入到卷积神经网络，获得图片的高维特征表达向量，用于后续的分类学习；步骤2、使用一个全连接层对行人特征进行分类学习；在进行分类之前，对全连接层的分类权重向量和步骤1获得的行人特征向量进行归一化处理，再将归一化后的特征输入全连接层，得到分类损失；步骤3、根据步骤2中全连接层归一化后的每个分类权重向量，计算每个向量到其它所有权重向量之间的距离之和，得到等距分布损失；步骤4、将步骤2和步骤3得到的分类损失和等距分布损失进行结合，得到总的损失函数；步骤5、利用步骤4得到的总损失函数训练并优化卷积神经网络，最终得到训练好的网络模型；步骤6、将测试集的行人图片输入到训练好的网络模型中，并得到对应的特征向量，同时对这些特征向量进行归一化处理，得到最终的特征向量；将查询集中行人图片的特征向量逐一与候选集中行人图片的特征向量进行距离对比，根据距离结果排序，完成行人重识别任务。2.根据权利要求1所述的方法，其特征在于，步骤2所要求分类损失中，分类层中的偏置项被移除，输入特征向量f与分类权重w都进行了l2归一化操作，即得到||f||和||w||，因此特征向量和分类权重都被投影到单位超球体中。令||f||＝s，其中s为控制超球体半径的参数。最后得到归一化的分类损失为其中f
i
表示第i个样本的特征，y
i
代表f
i
的真实标签，w
j
代表分类层中第j个列向量，n为用于批量训练的样本数量，c为训练类别总数。3.根据权利要求1所述的方法，其特征在于，步骤3中将用于分类的全连接层中的分类权值向量视为各类特征的特征中心，并将权重向量w进行l2归一化处理；归一化操作后，各向量之间的欧式距离和夹角余弦距离为正相关关系，因此所求等距分布损失用夹角余弦距离表示为其中代表两个分类权重向量和之间的角度，ε为避免等距分类损失在训练初期损失值过大的参数，c为训练类别总数。4.根据权利要求1所述的方法，其特征在于，步骤4中用来训练网络模型的总损失函数为归一化分类损失与加权后的分类权重等距分布损失之和，用数学公式表达为：其中λ为等距分布损失的权重值。5.根据权利要求1所述的方法，其特征在于，步骤6中将提取到的测试集的行人特征进行l2归一化处理，再计算查询集与候选集的归一化特征之间的欧式距离，根据距离结果进行排序，完成重识别任务。