1.一种逃逸车辆重识别方法，其特征在于，包括步骤如下：(1)构建目标摄像头拓扑网络，预测肇事逃逸车辆的重点监控区域；(2)基于视角感知的度量学习，分别在S‑view同视角和D‑view跨视角样本中学习两种不同视角约束下的深度度量；(3)基于双路径自适应注意力下车辆重识别；所述步骤(3)中的双路径包括全局路径和局部路径，基于步骤(2)的S‑view同视角和D‑view跨视角特征空间中分别进行全局路径和局部路径的车辆重识别，所述全局路径提取图片全局特征，所述局部路径通过自适应注意力提取局部差异化特征用于全局特征补充；

所述步骤(1)中通过摄像头之间时间转移概率，缩小对目标的监控检测范围，所述监控检测范围为重点监控区域，具体包括步骤如下：步骤1.1：通过在数据中地图和实际摄像头视域建立待查询车辆监控场景路段信息以及多摄像头的网络拓扑结构；

步骤1.2：通过监控系统，对监控圈可疑车辆实施跟踪，关键是从起始位置观察到肇事逃逸车辆后，需要确定下一个或几个肇事逃逸车辆出现的摄像头位置，关联可能出现的摄像头；

步骤1.3：分析和排序待查询肇事逃逸车辆在关联摄像头集中出现的概率，找到时序关系最优的少量摄像头作为重点监控区域。

2.根据权利要求1所述的逃逸车辆重识别方法，其特征在于，完成步骤(1.3)后，执行步骤(2)、步骤(3)，识别车辆后更新重点监控圈。

3.根据权利要求1所述的逃逸车辆重识别方法，其特征在于，步骤(2)中设有一个双路网络，将输入车辆图像映射到两个特征空间区，具体包括步骤如下：步骤2.1：输入待查询车辆图片，首先用一个视角分类器预测每张图像的绝对视角，把视角分为front,side或者rear；如果图像对来自相同/相似视角，则归类为S‑view pair，否则就是D‑view pair；

步骤2.2：将归类为S‑view pair的图像送入S‑view特征空间进行S‑view同视角约束训练，将归类为D‑view pair的图像送入D‑view特征空间进行D‑view跨视角约束训练；

步骤2.3：分别在两个特征空间S‑view和D‑view中进行注意力特征融合，分别获得特征空间S‑view的融合注意力模型和特征空间D‑view的融合注意力模型。

4.根据权利要求1所述的逃逸车辆重识别方法，其特征在于，步骤(3)中分别在S‑view和D‑view特征空间添加双路径自适应注意力模型进行车辆重识别，全局外观路径捕获车辆外观的全局特征，定向约束的局部外观路径学习捕获局部差异化特征，过滤掉与查询车辆外观不符的车辆；具体包括步骤如下：步骤3.1：主干网络使用ResNet‑50、ResNet‑101同时也作为baseline models，在VehcleID数据集进行预训练，然后用来提取车辆的全局特征fg；

步骤3.2：使用two‑stage模型进行车辆关键点和方位估计，分两个步骤：

步骤3.2.1：基于VGG‑19的卷积网络用来对21个类别做一个粗略的热点图估计，21个类别包括20个关键点和1个背景，基于VG G‑19的卷积网络使用逐像素的多类别交叉熵损失函数训练，损失函数为：式中，li,j是所有输出通道上相应像素位置(i,j)组成的向量， 是每个像素位置的ground truth标签，H、W分别代表热点图的高和宽，xi,j(k)表示所有输出通道上相应像素位置(i,j)的预测值；

步骤3.2.2：通过HRNet对输入图像进行下采样以及对步骤3.2.1中的粗略关键点和方向进行refine；

步骤3.3：自适应关键点的选取和进行局部微观特征提取，将车辆的方向分为8类：

front，rear,left，left front，left rear,right，right front and right rear，设计一个关键点选择器，可以基于预测方向自适应地选择关键点；

步骤3.4：将步骤3.1、3.2、3.3中训练好的自适应注意力外观检测模型分别再添加到步骤(2)的S‑view，D‑view特征空间中进行联合优化。