1.一种视频遮挡车辆重识别的方法，其特征在于，所述方法包括：将车辆图像输入3D‑CNN主干网模型进行特征提取；

通过自适应边缘传递图卷积层对提取的特征进行处理，输出 特征，并对 特征多层级联得到关系特征 ；

将关系特征 输入跨层级对齐层得到相似拓补特征；

对相似拓补特征计算相似性，将计算的结果与预设的阈值比较，若大于阈值，则车辆图像是相同的，反之则不同；

所述 特征的获取方法包括：

通过特征之间的差异得到差异特征矩阵值；

将差异特征矩阵值与预定义的规范化矩阵相乘，得到新的邻接矩阵；

再将其余特征通过三个未连接的全连接层拼接整合得到特征 ；

所述关系特征 获取方法包括：

通过多个自适应边缘传递图卷积层进行级联成高阶关系模块的差异特征矩阵得到关系特征 ；

所述相似性获取包括：

根据图像 和图像 对应的两个图 和 ，设

为 和 之间的匹配矩阵， 为两个图的对应节点 和 之间的匹配度，建立一个平方对称正矩阵 ， 为关键点数，使 和 测量了每对与 的匹配程度得到最优匹配 ；

将两组特征节点 和 嵌入到一个隐藏空间的全连接层和ReLU层，通过将 和 图匹配得到亲和矩阵 ，通过全连接层 ，得到输出为 和 ，通过自适应边缘传递图卷积层和跨层级特征对齐层，得到拓补特征为 ，根据拓补特征信息，得到相似性。

2.根据权利要求1所述的视频遮挡车辆重识别的方法，其特征在于，所述特征提取方法包括：3D‑CNN模型对车辆图像 处理得到时间静态特征(t,b),粗粒度全局特征(s,a),细粒度局部特征(s,b)；来自时间t维度的静态内容，以及来自空间 维度的粗粒度细粒度特征；对于每一个特征 重塑为特征体积为 的特征 ，其中 为通道数，并分别通过注意力分解模块，得到新的特征为 。

3.根据权利要求1所述的视频遮挡车辆重识别的方法，其特征在于，所述自适应边缘传递图卷积层用于抑制无意义特征的消息传递。

4.根据权利要求1所述的视频遮挡车辆重识别的方法，其特征在于，所述差异特征矩阵获取方法包括：将局部特征和全局特征重塑为 并做减法操作，得到局部特征和全局特征之间的差异特征矩阵。

5.根据权利要求1所述的视频遮挡车辆重识别的方法，其特征在于，计算相似性的公式如下： 其中 为sigmoid激活函数， 为元素匹配运算， 为全连接层。

6.根据权利要求1所述的视频遮挡车辆重识别的方法，其特征在于，所述跨层级特征对齐层的损失可表示为：；

其中 和 为同一辆车时， ，否则 。