1.基于深度特征和稀疏度量投影的车辆重识别方法，其特征是，包括：获取目标车辆图像；获取待重识别的图像集合；

对目标车辆图像和待重识别的图像集合中的每一幅图像，均进行深度特征提取，得到每一幅图像的深度特征；

计算目标车辆图像的深度特征所对应的自适应稀疏投影矩阵；同时，计算待重识别图像集合中每一幅图像的深度特征所对应的自适应稀疏投影矩阵；

基于深度特征和深度特征对应的自适应稀疏投影矩阵，计算出目标车辆图像的深度特征与待重识别图像集合中每一幅图像深度特征之间的距离；

重复上一步的步骤，直到计算出目标图像的深度特征与待重识别图像集合中所有幅图像深度特征之间的距离；选择最小距离所对应的图像作为目标车辆的重识别图像。

2.如权利要求1所述的基于深度特征和稀疏度量投影的车辆重识别方法，其特征是，对目标车辆图像和待重识别的图像集合中的每一幅图像，均进行深度特征提取，得到每一幅图像的深度特征；具体包括：

对目标车辆图像和待重识别的图像集合中的每一幅图像，均采用改进后的VGG‑19网络进行深度特征提取，得到每一幅图像的深度特征；

所述改进后的VGG‑19网络，为将VGG‑19网络的最后两个全连接层去掉，只保留前16个卷积层和第一个全连接层。

3.如权利要求1所述的基于深度特征和稀疏度量投影的车辆重识别方法，其特征是，计算目标车辆图像的深度特征所对应的自适应稀疏投影矩阵；具体包括：根据过完备字典，计算目标车辆图像的深度特征所对应的稀疏系数；

将目标车辆图像的深度特征所对应的稀疏系数视为权重，对元投影矩阵进行加权求和，得到目标车辆图像的深度特征所对应的自适应稀疏投影矩阵。

4.如权利要求3所述的基于深度特征和稀疏度量投影的车辆重识别方法，其特征是，所述过完备字典，获取步骤包括：

初始化过完备字典D为训练数据空间的K聚类中心；初始化稀疏系数矩阵各个元素；所述训练数据，包括：已知目标车辆图像，和已知目标车辆的重识别图像；

计算特征稀疏编码损失函数；

根据特征稀疏编码损失函数，采用迭代训练策略，首先固定过完备字典D，使用梯度下降法更新稀疏系数矩阵，然后固定稀疏系数矩阵，使用梯度下降法更新过完备字典D。

5.如权利要求3所述的基于深度特征和稀疏度量投影的车辆重识别方法，其特征是，所述元投影矩阵，获取步骤包括：

采用联合训练策略，拼接元投影矩阵构建复合投影矩阵；

计算复合投影矩阵的损失函数；

根据复合投影矩阵的损失函数，采用梯度下降策略，计算复合投影矩阵的梯度值，对复合投影矩阵的梯度值进行更新，即获得各元投影矩阵。

6.如权利要求1所述的基于深度特征和稀疏度量投影的车辆重识别方法，其特征是，基于深度特征和深度特征对应的自适应稀疏投影矩阵，计算出目标车辆图像的深度特征与待重识别图像集合中每一幅图像深度特征之间的距离；具体步骤包括：将目标车辆图像的深度特征，与目标车辆图像的深度特征对应的自适应稀疏投影矩阵相乘得到第一乘积；

将待重识别图像集合中某一幅图像深度特征，与待重识别图像集合中该幅图像深度特征对应的自适应稀疏投影矩阵相乘得到第二乘积；

计算第一乘积与第二乘积的距离；

第一乘积与第二乘积的距离，即为目标车辆图像的深度特征与待重识别图像集合中每一幅图像深度特征之间的距离。

7.如权利要求2所述的基于深度特征和稀疏度量投影的车辆重识别方法，其特征是，所述改进后的VGG‑19网络，采用ImageNet数据集预训练。

8.基于深度特征和稀疏度量投影的车辆重识别系统，其特征是，包括：获取模块，其被配置为：获取目标车辆图像；获取待重识别的图像集合；

特征提取模块，其被配置为：对目标车辆图像和待重识别的图像集合中的每一幅图像，均进行深度特征提取，得到每一幅图像的深度特征；

投影矩阵计算模块，其被配置为：计算目标车辆图像的深度特征所对应的自适应稀疏投影矩阵；同时，计算待重识别图像集合中每一幅图像的深度特征所对应的自适应稀疏投影矩阵；

距离计算模块，其被配置为：基于深度特征和深度特征对应的自适应稀疏投影矩阵，计算出目标车辆图像的深度特征与待重识别图像集合中每一幅图像深度特征之间的距离；

输出模块，其被配置为：重复距离计算模块的步骤，直到计算出目标图像的深度特征与待重识别图像集合中所有幅图像深度特征之间的距离；选择最小距离所对应的图像作为目标车辆的重识别图像。

9.一种电子设备，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1‑7任一项所述的方法。

10.一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1‑7任一项所述的方法。