1.一种基于孪生神经网络的车辆身份判别方法，其特征在于，具体步骤如下：
步骤s1：构建孪生神经网络，其结构为：两支提取特征的卷积神经网络，后接距离度量层，再接概率计算层；
步骤s2：在veri-wild数据集上训练步骤s1所述孪生神经网络；
步骤s3：构建具体应用场景的数据集，并继续训练步骤s1所述孪生神经网络；
步骤s4：构建具体应用场景中的目标车辆图片库；
步骤s5：现场抓拍图片，并利用已经训练好的网络判断是否为目标车辆。
2.根据权利要求1所述的一种基于孪生神经网络的车辆身份判别方法，其特征在于，所述步骤s1中的孪生神经网络的具体结构为：
s1.1：两支特征提取网络为卷积神经网络，假设h1为样本1在特征提取层的输出，h2为样本2在特征提取层的输出；
s1.2：距离度量层为加权l1计算层，通过以下公式计算两个特征向量之间的距离：
其中，αj为
s1.3：概率计算层为全连接层，其中每层的节点个数应根据实际情况按经验设定，将距离度量层输出结果带入sigmoid函数归一化：
最终，整个网络的输出为概率值y。
3.根据权利要求2所述的一种基于孪生神经网络的车辆身份判别方法，其特征在于，所述步骤s2中的具体网络的训练步骤为：
s2.1：每次训练时，按样本对训练网络，从训练集中随机选两张图片为一对输入网络，两张图片为相同车辆的为正样本对，两张图片为不同车辆的为负样本对，设置正负样本对各占训练样本总数的50％；
s2.2：将一个正样本和一个负样本放入网络，依次经过特征提取层，距离度量层，概率计算层，最后得出样本对的概率估计值，并带入对比损失函数：
l＝∑yd2+(1-y)max(margin-d，0)2
其中，margin为预设值；
s2.3：网络根据损失函数反向传播以自动调整参数。
4.根据权利要求3所述的一种基于孪生神经网络的车辆身份判别方法，其特征在于，所述步骤s3中的构建具体应用场景的数据集并进一步训练网络步骤为：
s3.1：根据应用需求在实际场地拍摄若干张与实际抓拍时位置、角度、时间等近似的照片，组成小型数据集；
s3.2：与权利要求2所述的训练方法相同，在该小型数据集上进一步训练网络。
5.根据权利要求4所述的一种基于孪生神经网络的车辆身份判别方法，其特征在于，所述步骤s5中的利用已经训练好的网络判断是否为目标车辆的步骤为：
s5.1：将抓拍到的图片与目标车辆库中该车牌的图片放入已训练好的网络中；
s5.2：网络自动计算两张图片各自的特征，和两个特征向量之间的距离，最后输出概率值y；
s5.3：若网络输出y大于0.5，则为同一辆车；否则，为不同的车。