1.一种基于改进深度相对距离学习模型的车辆再识别方法，其特征是，包括步骤如下：

步骤1、构建改进深度相对距离学习模型，该改进深度相对距离学习模型将图像深度卷积后的特征分为两个流：一个为属性分类流，其具有softmax损失函数；一个为相似性学习流，其具有焦点损失函数；同时在两个流之间添加抑制层，该抑制层将相似性学习流的第一层特征与属性分类流中最终层特征交互后作为相似性学习流的最终层特征；

步骤2、将给定的车辆数据集分成训练集和测试集，其中车辆数据集中的图像为同时包含车辆ID、车辆颜色和车辆型号三种标签标签的图像；

步骤3、利用训练集对步骤1所构建的改进深度相对距离学习模型进行训练，以确定模型中的网络参数，由此得到训练好的车辆再识别模型；在训练过程中，将训练集中的图像输入到深度卷积网络进行特征提取，并将所得到的特征分成两个分支即标签属性分类分支和相似性学习分支；标签属性分类分支对车辆的颜色信息和车辆型号信息进行特征提取，并通过抑制层将标签属性分类分支所提取的特征对相似性学习分支分支的细粒度相似性学习进行反馈，消除嵌入到细粒度相似性学习中的粗粒度属性特征；

步骤4、利用测试集对步骤3所得到的训练好的车辆再识别模型进行测试，以评估该训练好的车辆再识别模型的性能；在测试过程中，从测试集中随机抽取两张图像，并对比这两张图像的车辆ID标签确定其是否为同一辆车，并记录这两张图像的编号和对比结果，生成一组测试数据；使用训练好的车辆再识别模型来计算出预定组数的测试数据的阈值和准确率，并进行统计后得出最佳阈值与准确率，将最佳阈值作为设定阈值；将测试集输入到训练好的车辆再识别模型中，获取每一幅图像对应的最终特征向量，并计算该每组测试数据中的两幅图像的最终特征向量的夹角余弦；将夹角余弦与设定阈值进行比对，若大于设定阈值则认为这两幅图像为同一辆车，否则认为这两幅图像为同一辆车；最后计算MAP值作为评估模型性能指标；

步骤5、将两幅车辆图像送入到步骤3所训练好的车辆再识别模型中，得到这两幅车辆图像是否为同一辆车的判定，以实现车辆再识别。

2.根据权利要求1所述的一种基于改进深度相对距离学习模型的车辆再识别方法，其特征是，步骤1中，抑制层为级联抑制层。

3.根据权利要求1所述的一种基于改进深度相对距离学习模型的车辆再识别方法，其特征是，步骤1中，焦点损失函数为：式中，Lft为损失值，α为平衡因子，y′为模型输出的预测值，y为模型输入的真实值，γ为聚焦参数。

4.根据权利要求1所述的一种基于改进深度相对距离学习模型的车辆再识别方法，其特征是，步骤2中，给定的车辆数据集为VehicleID数据集。