1.一种车辆再识别方法，其特征在于，包括：根据每种车型的三维模型进行角度旋转得到每个角度的图片，提取每种车型的关键点信息和车型的外轮廓信息，并计算旋转角度；

将每种车型的关键点信息、车型的外轮廓信息以及旋转角度输入车辆再识别模型中，得到训练好的车辆再识别模型；

将待测车辆的图片或视频输入到训练好的车辆再识别模型中，输出待测车辆车型；

所述车辆再识别模型训练的过程包括：步骤1：将车型的关键点信息、车型的外轮廓信息以及旋转角度输入到多任务多分支网络中，得到颜色特征矩阵、重识别特征矩阵以及车型类型特征矩阵；

步骤2：计算颜色特征矩阵、重识别特征矩阵以及车型类型特征矩阵的总损失值；

步骤3：根据总损失值优化车辆再识别模型的权重值，判断当前计算的总损失值与上一次计算的总损失值之间的差值是否小于等于设定的阈值；若是，则令车辆再识别模型记住此时的权重值；若否，则重复步骤2‑3；

步骤4：输出训练好的车辆再识别模型；

所述多任务多分支网络包括多任务网络和多分支网络，所述多任务网络是指具有多个执行不同任务的分支网络，包括：通过对比车辆的外轮廓信息进行车辆再识别的分支、进行颜色的判别的分支以及进行类型判别的分支中的至少两个分支；

所述多分支网络是指将整个主干网络分成多个并列的分支，包括：接收不同旋转角度范围图片的至少两个分支。

2.根据权利要求1所述的车辆再识别方法，其特征在于，所述根据每种车型的三维模型进行角度旋转得到每个角度的图片，提取每种车型的关键点信息和车型的外轮廓信息，包括：

对每一种车型的三维模型进行旋转，每旋转一个角度记录该角度下三维模型的图片；

将每种车型每个角度的图片输入高分辨率网络中进行训练，输出带有关键点和外轮廓的车辆模型，提取车型的关键点信息和车型的外轮廓信息。

3.根据权利要求2所述的车辆再识别方法，其特征在于，所述高分辨率网络以并行的方式连接高分辨率到低分辨率的子网，所述高分辨率网络采用步长为3*3的卷积做下采样，然后将不同分辨率的图片进行融合。

4.根据权利要求1所述的车辆再识别方法，其特征在于，所述将待测车辆的图片或视频输入到训练好的车辆再识别模型之前，还包括采用欧几里得距离比较待测车辆的图片或视频的特征值与存储的车型图像的特征值的相似性。

5.根据权利要求1所述的车辆再识别方法，其特征在于，旋转角度的判定是以车辆的中心为原点，车辆的中轴线为x轴，正视车头的方向为正方向进行逆时针或者顺时针旋转，对于给定的每张图片都进行相同方式的角度计算。

6.一种车辆再识别系统，其特征在于，包括：特征提取模块，其被配置为：根据每种车型的三维模型进行角度旋转得到每个角度的图片，提取每种车型的关键点信息和车型的外轮廓信息，并计算旋转角度；

模型训练模块，其被配置为：将每种车型的关键点信息、车型的外轮廓信息以及旋转角度输入车辆再识别模型中，得到训练好的车辆再识别模型；

输出模块，其被配置为：将待测车辆的图片或视频输入到训练好的车辆再识别模型中，输出待测车辆车型；

所述车辆再识别模型训练的过程包括：步骤1：将车型的关键点信息、车型的外轮廓信息以及旋转角度输入到多任务多分支网络中，得到颜色特征矩阵、重识别特征矩阵以及车型类型特征矩阵；

步骤2：计算颜色特征矩阵、重识别特征矩阵以及车型类型特征矩阵的总损失值；

步骤3：根据总损失值优化车辆再识别模型的权重值，判断当前计算的总损失值与上一次计算的总损失值之间的差值是否小于等于设定的阈值；若是，则令车辆再识别模型记住此时的权重值；若否，则重复步骤2‑3；

步骤4：输出训练好的车辆再识别模型；

所述多任务多分支网络包括多任务网络和多分支网络，所述多任务网络是指具有多个执行不同任务的分支网络，包括：通过对比车辆的外轮廓信息进行车辆再识别的分支、进行颜色的判别的分支以及进行类型判别的分支中的至少两个分支；

所述多分支网络是指将整个主干网络分成多个并列的分支，包括：接收不同旋转角度范围图片的至少两个分支。

7.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1‑5任一项所述的车辆再识别方法。

8.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1‑5任一项所述的车辆再识别方法。