1.一种车辆再识别方法，基于车辆部件特征与集合距离度量学习，其特征在于，包括如下步骤：图像预处理步骤，将多个车辆的图像进行卷积以产生特征图；提取车辆的全局特征及局部特征，并基于局部特征的质量确定每个局部特征所占权重；所述全局特征包括两个互补的全局特征，局部特征包括多个不同的局部特征，其中每个局部特征都对应一个权重，以进行将来的融合；所述基于局部特征的质量确定每个局部特征所占权重的过程为：预处理步骤后产生的特征图分别经全局再卷积、局部再卷积，再分别经过各自的通道平均池后，统一进行完全连接融合，获得对应的多个输出结果，以确定每个局部特征所占权重；提取所述两个互补的全局特征的过程为：再卷积图像预处理后产生的特征图，随后经平均池化、两次完全连接获取一个全局特征，以及所述再卷积后经批规一化、平均池化、两次完全连接获取另一个全局特征；提取所述多个局部特征的过程为：再卷积图像预处理后产生的特征图，得到新的特征图，将所述新特征图自上至下均分为多个区域，并且每两个相邻区域之间都有一定的重叠区域，随后分别对每个区域经平均池化、完全连接获取对应的局部特征；通过集合距离度量学习，完成车辆再识别过程；所述集合距离度量学习加速特征学习的过程，首先将同一辆车的不同图片视为一个集合，然后通过减小每个集合内部的图片距离，同时增大不同集合之间的距离优化特征学习过程。
2.一种车辆再识别系统，基于车辆部件特征与集合距离度量学习，其特征在于，包括：共享卷积层，用于将多个车辆的图像进行卷积以产生特征图；全局子网络，用于提取车辆的全局特征；所述全局特征包括两个互补的全局特征，局部特征包括多个不同的局部特征，其中每个局部特征都对应一个权重，以进行将来的融合；提取所述两个互补的全局特征的过程为：再卷积图像预处理后产生的特征图，随后经平均池化、两次完全连接获取一个全局特征，以及所述再卷积后经批规一化、平均池化、两次完全连接获取另一个全局特征；局部子网络，用于提取车辆的局部特征；提取所述局部特征的过程为：再卷积图像预处理后产生的特征图，得到新的特征图，将所述新特征图自上至下均分为多个区域，并且每两个相邻区域之间都有一定的重叠区域，随后分别对每个区域经平均池化、完全连接获取对应的局部特征；权重学习层，基于局部特征的质量确定每个局部特征所占权重；所述基于局部特征的质量确定每个局部特征所占权重的过程为：所述预处理步骤后产生的特征图分别经全局再卷积、局部再卷积，再经过各自的通道平均池后，统一进行完全连接融合，获得对应的多个输出结果，以确定每个局部特征所占权重；集合距离度量学习层，通过集合距离度量学习，完成车辆再识别过程；所述集合距离度量学习加速特征学习的过程，首先将同一辆车的不同图片视为一个集合，然后通过减小每个集合内部的图片距离，同时增大不同集合之间的距离优化特征学习过程。
