1.基于少样本注意力的车辆重识别方法，其特征在于，所述方法包括步骤：将车辆图片输入到预先训练好的少样本注意力模块FSAM中，得到注意力图；

将目标域图片输入特征提取网络F‑Net，获取特征图，并通过特征图整合模块FMIM进行整合，得到新特征图；

通过计算注意力图与新特征图两者的距离，根据距离大小输出相似度最高的车辆图片；

少样本注意力模块FSAM的训练方法包括：将车辆图片输入到特征提取网络F‑Net，提取特征向量fi；

将提取的特征向量和特征提取网络F‑Net中的Conv4卷积层输入到FSAM中；

对特征向量进行加权平均，然后再进行非线性变换后和Conv4卷积层做乘积求和得到样本权重，利用样本权重得到注意力图；

特征图整合模块FMIM由四个残差块组成。

2.根据权利要求1所述的基于少样本注意力的车辆重识别方法，其特征在于，特征提取网络F‑Net采用卷积神经网络，包含5个卷积层和2个全连接层；前2个卷积层采用5×5的卷积核，后3个卷积层采用3×3的卷积核，每层的后面设置ReLU激活函数。

3.根据权利要求2所述的基于少样本注意力的车辆重识别方法，其特征在于，特征向量的提取方法包括：车辆图片xi输入到特征提取模块F‑Net，由全连接层输出1×1×1024的特征向量；

r

对提取的特征向量fi再进行1×1的卷积，得到大小为1×1×256的特征向量fi。

4.根据权利要求3所述的基于少样本注意力的车辆重识别方法，其特征在于，特征向量表达式为：fi＝F(xi)                     (1)；

其中，xi为输入车辆，fi为特征向量。

5.根据权利要求1所述的基于少样本注意力的车辆重识别方法，其特征在于，注意力图的获取方法包括：r

首先对所有输入特征向量fi进行加权平均：r

Hi＝tanh(Wifi)                        (2)其中，tanh为激活函数，Wi为对应特征向量的权重，Hi为中间阶段；对中间阶段采用非线性变换和softmax函数计算，得到样本注意力参数为：PATT＝softmax(WhHi)                     (3)其中，Wh为对应中间层的权重；

将得到的参数PATT再与特征提取网络F‑Net中第四层的特征图做乘积求和运算生成样本权重向量，如公式：Conv4

其中，fi 为输入Conv4的8×8×256的特征图；

Conv4

利用样本权重向量与fi 做信道乘法，保留输入图片xi的信息，并且获得精确的注意力图为：其中， 表示信道乘法，Mi为生成的xi的注意力图。

6.根据权利要求1所述的基于少样本注意力的车辆重识别方法，其特征在于，所述少样本注意力模块FSAM内设有样本权重生成器，用于生成样本权重向量。

7.根据权利要求1所述的基于少样本注意力的车辆重识别方法，其特征在于，计算注意力图与新特征图两者距离的方法包括：利用欧式距离公式计算两张图片之间的距离，输入少样本注意力图Mi、正样本特征图和负样本特征图 三个元素组成三元组映射到特征空间分别为S(Mi)，和 它们之间的距离表示为：

2

其中，||·||为2范数；引入边界参数m1和m2，因此有公式：使d(Mi,fi,p)≤m2，且m2＜＜m1，Optimization Triplet Loss公式可定义为：当输入车辆与目标域车辆不是同一辆车，即Y＝0时，输出损失为0；如果为相同车辆，即Y＝1时，损失为注意力图与目标域车辆特征图的距离；m1的取值范围为(0,0.05)，m2的取值范围为(0.001,0.005)，因此，最终得重识别损失定义为：LREID＝LATT+LOTri                       (11)优化的三元组拉近正样本对之间的距离，最后使得相同ID的车辆图片在特征空间里形成聚类，达到车辆重识别的目的。