1.一種基于多目標(biāo)函數(shù)深度學(xué)習(xí)的車輛重識別方法，其特征在于，所述方法包括：
利用基于車輛圖像數(shù)據(jù)集生成的第一類車輛訓(xùn)練數(shù)據(jù)及預(yù)置的Softmax目標(biāo)函數(shù)對預(yù)置的深度學(xué)習(xí)網(wǎng)絡(luò)框架中的網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練，得到優(yōu)化后的深度學(xué)習(xí)網(wǎng)絡(luò)框架；
利用基于所述車輛圖像數(shù)據(jù)集生成的第二類車輛訓(xùn)練數(shù)據(jù)及預(yù)置的TripletLoss三元目標(biāo)函數(shù)對所述優(yōu)化后的深度學(xué)習(xí)網(wǎng)絡(luò)框架中的網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練，得到目標(biāo)深度學(xué)習(xí)網(wǎng)絡(luò)框架；
根據(jù)所述目標(biāo)深度學(xué)習(xí)網(wǎng)絡(luò)框架對待識別的車輛圖像進(jìn)行重識別。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述目標(biāo)深度學(xué)習(xí)網(wǎng)絡(luò)框架對待識別的車輛圖像進(jìn)行重識別的步驟包括：
將待識別的車輛圖像輸入所述目標(biāo)深度學(xué)習(xí)網(wǎng)絡(luò)框架，獲取所述待識別的車輛圖像包含的車輛的圖像特征；
利用所述車輛的圖像特征進(jìn)行重識別。
3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述第一類車輛訓(xùn)練數(shù)據(jù)中包含多組車輛圖像，每一組車輛圖像包含同一車輛的N張不同角度和/或場景下的車輛圖像，所述N為正整數(shù)。
4.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述第二類訓(xùn)練數(shù)據(jù)中包含多組三元組車輛圖像，每一組三元組車輛圖像包含一張目標(biāo)圖像、具有與所述目標(biāo)圖像相同標(biāo)記的正樣本圖像，及具有與所述目標(biāo)圖像相異的負(fù)樣本圖像。
5.一種基于多目標(biāo)函數(shù)深度學(xué)習(xí)的車輛重識別裝置，其特征在于，所述裝置包括：
第一訓(xùn)練模塊，用于利用基于車輛圖像數(shù)據(jù)集生成的第一類車輛訓(xùn)練數(shù)據(jù)及預(yù)置的Softmax目標(biāo)函數(shù)對預(yù)置的深度學(xué)習(xí)網(wǎng)絡(luò)框架中的網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練，得到優(yōu)化后的深度學(xué)習(xí)網(wǎng)絡(luò)框架；
第二訓(xùn)練模塊，用于利用基于所述車輛圖像數(shù)據(jù)集生成的第二類車輛訓(xùn)練數(shù)據(jù)及預(yù)置的Triplet Loss三元目標(biāo)函數(shù)對所述優(yōu)化后的深度學(xué)習(xí)網(wǎng)絡(luò)框架中的網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練，得到目標(biāo)深度學(xué)習(xí)網(wǎng)絡(luò)框架；
重識別模塊，用于根據(jù)所述目標(biāo)深度學(xué)習(xí)網(wǎng)絡(luò)框架對待識別的車輛圖像進(jìn)行重識別。
6.根據(jù)權(quán)利要求5所述的裝置，其特征在于，所述重識別模塊包括：
特征提取模塊，用于將待識別的車輛圖像輸入所述目標(biāo)深度學(xué)習(xí)網(wǎng)絡(luò)框架，獲取所述待識別的車輛圖像包含的車輛的圖像特征；
子重識別模塊，用于利用所述車輛的圖像特征進(jìn)行重識別。
7.根據(jù)權(quán)利要求5或6所述的裝置，其特征在于，所述第一類車輛訓(xùn)練數(shù)據(jù)中包含多組車輛圖像，每一組車輛圖像包含同一車輛的N張不同角度和/或場景下的車輛圖像，所述N為正整數(shù)。
8.根據(jù)權(quán)利要求5或6所述的裝置，其特征在于，所述第二類訓(xùn)練數(shù)據(jù)中包含多組三元組車輛圖像，每一組三元組車輛圖像包含一張目標(biāo)圖像、具有與所述目標(biāo)圖像相同標(biāo)記的正樣本圖像，及具有與所述目標(biāo)圖像相異的負(fù)樣本圖像。