1.一种基于四元组损失度量学习的车辆再辨识方法，其特征在于，包括训练过程和再辨识过程，步骤如下：训练过程S1：选取N组四元组训练图像，输入到参数共享的四分支卷积神经网络模型中训练，直至模型收敛，从而获得基础网络模型M；

再辨识过程S2：利用S1中训练得到基础网络模型M分别提取待查询车辆图像和候选库中每个图像的特征向量，从而计算待查询车辆图像与候选库中图像的相似度，根据相似度的大小进行车辆ID预测，并输出识别结果；

训练过程S1的步骤如下：

步骤S11)：从具有车辆ID、车辆车型和车辆颜色标签信息的车辆训练图像中，随机选取N张参考图像，记为Ia；

步骤S12)：选取与参考图像具有相同的车辆ID的车辆图像作为正样本，记为Ip；选取与参考图像具有不同的车辆ID，但具有相同的车辆车型和颜色的车辆图像作为高相似样本，记为Ih；选取与参考图像具有不同的车辆ID，并且车辆车型或颜色也不同的车辆图像作为负样本，记为In；从而组成N组四元组车辆图像；

步骤S13)：将四元组车辆图像输入到四分支卷积神经网络模型中，通过前向传播算法分别提取其对应的特征向量f(Ia)、f(Ip)、f(Ih)和f(In)；

步骤S14)：将S13)所得的特征向量送入距离度量学习模块，根据四元组车辆图像之间合理的距离关系，计算出相应的损失值，采用误差反向传播算法来训练四分支卷积神经网络模型；

步骤S15)：重复步骤S11)至步骤S14)，直到上述四分支卷积神经网络模型收敛；

步骤S14)中，所述四元组车辆图像之间合理的距离关系为：

1)正样本与参考图像之间的距离小于负样本与参考图像之间的距离；

2)正样本与参考图像之间的距离小于高相似样本与参考图像之间的距离；

3)高相似样本与参考图像之间的距离小于负样本与参考图像之间的距离；

即四元组图像之间理想的距离关系应满足以下约束条件：

其中，αpn是正样本对与负样本对之间应满足的最小距离，αph正样本对与高相似样本对之间应满足的最小距离，且αpn>αph；

步骤S14)中，所述距离度量学习模块中四元组损失值的计算方法如下：其中，[x]+＝max(x,0)，N表示四元组的个数。

2.根据权利要求1所述的一种基于四元组损失度量学习的车辆再辨识方法，其特征在于，步骤S13)中的四分支卷积神经网络模型是由四个参数共享的基础网络模型构成。

3.根据权利要求2所述的一种基于四元组损失度量学习的车辆再辨识方法，其特征在于，基础网络模型包括VGGNet、GoogLeNet或ResNet。

4.根据权利要求1所述的一种基于四元组损失度量学习的车辆再辨识方法，其特征在于，再识别过程S2的步骤如下：步骤S21)：利用S1中训练得到的参数共享的基础网络模型M，分别提取待查询车辆图像的特征向量以及候选库中每个图像的特征向量；

步骤S22)：通过欧氏距离计算待查询车辆图像的特征向量与候选库中每个图像的特征向量之间的相似度；

步骤S23)：根据所得到的相似度大小进行降序排序，并输出识别结果。