1.一种目标重识别方法，其特征在于，所述方法包括：确定获取的待识别图像的色彩通道数；

将包括目标对象的目标图像，分解为色彩通道数与所述待识别图像的色彩通道数相同的多个通道图像，得到通道图像集合，包括：确定所述目标图像的色彩通道数；

基于所述目标图像的色彩通道数，将所述目标图像分解为具有单色彩通道的通道图像，得到所述通道图像集合；

对所述通道图像集合中的通道图像和所述待识别图像进行特征提取，分别得到通道图像特征集合和待识别图像特征；

基于所述通道图像特征集合和待识别图像特征，确定所述待识别图像中的待识别对象与所述目标对象的相似度，以得到识别结果，包括：对所述通道图像特征集合中的通道图像特征进行融合，得到第一融合特征，包括：将所述通道图像特征集合中的N个通道图像特征，在长度上进行拼接，得到所述第一融合特征；

对应地，所述基于所述第一融合特征和所述待识别图像特征，确定所述待识别对象与所述目标对象的相似度，以得到识别结果，包括：将N个所述待识别图像特征，在长度上进行拼接，得到第二融合特征；

基于所述第一融合特征和所述第二融合特征，确定所述待识别对象与所述目标对象的相似度，以得到识别结果，包括：基于所述第一融合特征和所述第二融合特征，确定特征距离，以得到所述第一融合特征和所述第二融合特征的相似度；

基于所述第一融合特征和所述第二融合特征的相似度，确定所述待识别图像在待识别图像库中的排序位置；

确定所述排序位置与预设条件之间的匹配关系；基于所述匹配关系，确定所述识别结果；

基于所述第一融合特征和所述待识别图像特征，确定所述待识别对象与所述目标对象的相似度，以得到识别结果；

其中对所述通道图像集合中的通道图像和所述待识别图像进行特征提取，分别得到通道图像特征集合和待识别图像特征，包括：确定所述通道图像集合中的通道图像的数量N；其中，N为大于0的整数；获取具有N个分支的神经网络；

将第i个通道图像和所述待识别图像，输入所述神经网络的第i分支进行特征提取，得到第i个通道图像特征和第i待识别图像特征；其中，i为大于0且小于等于N的整数；

将N个通道图像和N个所述待识别图像，一一对应地输入所述神经网络的N个分支中进行特征提取，得到N个通道图像特征和N个待识别图像特征。

2.根据权利要求1所述的方法，其特征在于，所述神经网络的训练过程，包括：获取所述目标图像中的目标对象的样本标签和所述待识别图像中待识别对象的对象标签；

将所述通道图像集合中的通道图像输入待训练神经网络进行特征提取，得到候选通道图像特征集合；

基于所述样本标签，确定所述候选通道图像特征的分类损失；

基于所述第一融合特征和所述第二融合特征，确定所述目标图像和所述待识别图像的候选相似度；

基于所述样本标签和所述对象标签，确定所述候选相似度的三元组损失；

采用所述分类损失与所述三元组损失，对所述待训练神经网络的网络参数进行调整，以使调整后的待训练神经网络输出的所述候选通道图像特征的分类损失和所述候选相似度的三元组损失满足收敛条件，得到所述神经网络。

3.一种目标重识别装置，采用权利要求1所述的一种目标重识别方法，其特征在于，所述装置包括：第一确定模块，用于确定获取的待识别图像的色彩通道数；

第一分解模块，用于将包括目标对象的目标图像，分解为色彩通道数与所述待识别图像的色彩通道数相同的多个通道图像，得到通道图像集合；

第一提取模块，用于对所述通道图像集合中的通道图像和所述待识别图像进行特征提取，分别得到通道图像特征集合和待识别图像特征；

第二确定模块，用于基于所述通道图像特征集合和待识别图像特征，确定所述待识别图像中的待识别对象与所述目标对象的相似度，以得到识别结果。

4.一种目标重识别设备，其特征在于，所述设备包括：存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时，能够实现权利要求1至2任一项所述的方法的步骤。

5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可执行指令，该计算机可执行指令被执行后，能够实现权利要求1至2任一项所述的方法的步骤。