1.一种融合特征向量的角度和距离的车辆识别方法，其特征在于，包括以下步骤：S1、获取图像数据；

S2、对所述图像数据进行预处理；

S3、对所述图像数据进行特征提取；

S4、使用训练完成的车辆识别模型对所述图像数据进行实体识别；

所述车辆识别模型的融合损失函数包括有：角度度量损失支路和距离度量支路；所述融合损失函数表达式为：其中， 为所述融合损失函数的函数值， 为所述角度度量损失支路的函数值， 为所述距离度量支路的函数值；

所述角度度量损失支路用于计算所述图像数据的特征向量与类特征向量之间的角度；

所述距离度量支路用于计算所述图像数据的特征向量与类特征向量之间的距离；

所述车辆识别模型设置有车辆特征提取模块，所述车辆特征提取模块包括有依次连接的：块分割层、线性嵌入层和三个采样层；

所述块分割层设置有卷积核，通过所述卷积核卷积得到图像数据的块标记；

所述线性嵌入层将所述块分割层输出的块标记投影到任意维；

所述采样层设置有块合并层和Swin Transfomer块，通过所述块合并层和Swin Transfomer块对所述线性嵌入层的输出进行采样，得到所述图像数据的特征向量；

所述角度度量损失支路的损失函数为：

其中， 为缩放后的特征向量 ；

所述距离度量支路的损失函数为

其中， 为组间损失函数值， 为日域组内损失函数值， 为夜域组内损失函数值，为权重参数；

所述获取图像数据之前，还包括：

S401、通过夜图像生成器和日图像生成器分别生成夜域图像和日域图像；

S402、根据夜图像判别器评估生成的所述夜域图像的真实置信度，根据日图像判别器评估生成的所述日域图像的真实置信度；

S403、根据所述夜图像判别器或所述日图像判别器输出的真实置信度判断GAN模型是否训练完成，若是则重新执行步骤S401，若否，则结束生成器的迭代。

2.根据权利要求1所述的融合特征向量的角度和距离的车辆识别方法，其特征在于，所述获取图像数据之前，还包括：构建所述车辆识别模型；

根据图像数据集训练所述车辆识别模型；

根据融合损失函数优化所述车辆识别模型。

3.根据权利要求2所述的融合特征向量的角度和距离的车辆识别方法，其特征在于，输入所述角度度量损失支路之前，还包括：对待识别的特征向量进行缩放；

缩放公式为：

其中，将 置为1， 为缩放后的特征向量 ，表示特征向量 与第 类的权重向量的角度，为特征向量。

4.根据权利要求3所述的融合特征向量的角度和距离的车辆识别方法，其特征在于，对两次生成的图像数据的特征向量的损失函数为：其中， 为日图像生成器， 为夜图像生成器， 表示日间域，表示夜间域，表示域的训练样本，表示 域的训练样本， 表示样本 的数据分布， 表示样本 的数据分布，λ为权重参数， 为第一次生成的输出层的损失函数， 为第二次生成的输出层的损失函数。

5.一种车辆识别装置，其特征在于，基于权利要求1至4任一项所述的车辆识别方法，包括有：图像拍摄模块和计算模块；

所述图像拍摄模块用于获取所述图像数据；

所述计算模块用于执行所述车辆识别方法。