1.一种基于双关系注意力机制的车辆重识别方法，其特征在于，包括以下步骤：步骤1、以ResNet‑50卷积神经网络架构作为主干网络，并且将ResNet‑50的后半部分分裂为三个分支，即全局分支G1、全局分支G2和全局分支G3，将图像缩放至统一尺寸256×

256，输入到主干网络中，通过三个分支G1、G2和G3分别提取车辆的不同特征；

步骤2、G1分支保留ResNet‑50原有的特征结构，提取全局的特征表示；G2分支和G3分支将经过卷积后的最终特征图送入双关系注意力模块DRAM中，提取互补的显著信息；

步骤3、在G2分支和G3分支中，经所有卷积层后得到的最终特征图 被送入双关系注意力模块，其中， 和 分别是张量的高度和宽度， 是通道数；该模块能够同时构建某一点在空间和通道维度的重要性，即通过通道间的关系构建该点在通道维度的重要性，并通过空间位置与位置之间的关系构建该点在空间维度的重要性，并进一步建模该点在三维空间的注意力；具体实现方法，包括以下步骤：（1）将特征图 经过一个 函数及矩阵乘操作构建特征图上所有通道与通道之间的关系；采用1*1卷积 和 将通道 减少至 ，并分别将得到的张量重塑为 和，得到两个形状为 和 的矩阵；然后对这两个矩阵做乘法运算，得到 的矩阵，该矩阵表示了所有通道与通道之间的关系；

（2）利用通道与通道之间的关系，构建特征图上的点在通道维度上的重要性；将步骤（1）得到的 矩阵重塑成一个关系向量 ，其中 ；接着使用一个1*1的卷积 将该向量的通道维数从 恢复至 ，其中 ，得到 的向量 ，向量的计算公式如下：

；

利用一个Sigmoid函数来归一化向量 ，得到通道维度的注意力图 ，注意力图 的计算公式如下：

；

（3）构建特征图上的点在通道维度上的重要性的同时，对其在空间维度上的重要程度建模；具体来说，采用1*1卷积 和 将通道 减少至 ，并分别将得到的张量重塑为和 ；接着，对这两个矩阵做乘法运算，得到 的矩阵，该矩阵表示了所有位置与位置之间的关系；

（4）将步骤（3）得到的大小为 的位置关系矩阵重塑为 ，得到一个三维张量；通过1*1卷积 将张量 变为 ，得到一个降维后的三维位置关系张量 ，张量 的计算公式如下：；

三维位置关系张量 的通道数与注意力图 的维数相等；

（5）利用通道维度的注意力图 和三维位置关系张量 计算特征图上点的注意力权重；将注意力图 与三维张量 对应元素相乘，然后利用1*1卷积 将通道数由 恢复至 ，并且经过一个Sigmoid函数，得到最终的三维注意力图 ，三维注意力图 的计算公式如下：

；

其中， 表示矩阵对应位置的元素相乘， 为具有BN层和ReLU函数的1*1卷积；

（6）三维空间注意力图 与原始特征图 对应位置元素相乘，两者相乘之后再一次与原始特征图 相加，得到双关系注意力模块DRAM的输出特征图 ，特征 的计算公式如下：，

其中， 表示矩阵对应位置的元素相乘；

步骤4、通过G2分支和G3分支中注意力图间的非相似性约束，强制G2分支和G3分支提取不同的显著性信息；计算由双关系注意力模块得到的两个注意力图的夹角余弦，使用夹角余弦作为两个注意力图的非相似性约束，将非相似性约束作为损失函数对网络进行训练，缩小夹角余弦的值，强制缩小两个注意力图之间的相似度，以使G2分支和G3分支提取不相似的特征；

步骤5、对网络进行训练时，除了采用非相似性约束外，还采用交叉熵损失和三元组损失作为目标函数对整体网络进行训练。

2.根据权利要求1所述的基于双关系注意力机制的车辆重识别方法，其特征在于，所述步骤2的具体实现方法为：在G1中，res_conv5_1块使用步长为2的下采样卷积层，然后对最G1

后输出的特征图进行全局平均池化操作，得到2048维特征Z ，并使用具有BN层和ReLU函数G1 G1

的1*1卷积将2048维特征Z 降到256维特征R ，从而提供紧凑的特征表示；在G2分支和G3分支中res_conv5_1块中不使用下采样操作，能够增大感受野，为注意力机制提供更大的空间视图；经所有卷积层后的最终特征图记为 ，其中，和 分别是张量的高度和宽度，是通道数； 被送入到双关系注意力模块DRAM中；对经过注意力模块后得到的特征图进行全局平均池化操作，使用具有BN层和ReLU函数的1*1卷积将2048维特征减少到256维特征。

3.根据权利要求1所述的基于双关系注意力机制的车辆重识别方法，其特征在于，所述步骤4中，相似度计算公式如下：；

其中， 是经过G2分支得到的注意力图，是经过G3分支得到注意力图。

4.根据权利要求1所述的基于双关系注意力机制的车辆重识别方法，其特征在于，所述步骤5的具体实现方法包括以下步骤：（1）通过经全局平均池化后进行压缩后的特征计算三元组损失；

（2）三元组损失计算公式如下：；

式中： ， ， 分别表示锚样本、正样本和负样本的特征向量；是间隔阈值，表示用来约束样本对间距离的阈值；

（3）交叉熵损失计算公式如下：；

其中 表示类的数量，是ID的真实标签， 是类 的ID预测概率。