1.一种基于协同级联森林的隧道车辆再识别方法，其特征在于，所述方法包括：步骤S1，对隧道车辆图像集进行预处理；

步骤S2，提取隧道车辆的颜色信息和纹理信息来表征车辆的视觉特征；

步骤S3，构建协同级联森林模型，利用训练集内带有类别标签的车辆图像对的特征差分向量训练模型；

步骤S4，获取待识别车辆图像特征，并计算与测试集内每幅车辆图像的特征差分向量，将其作为输入利用训练好的协同级联森林模型计算两车是同一辆的概率；

步骤S5，按照概率大小进行排序，概率最大的测试图像被认为与所述待识别图像是相同车辆，进而得到待识别图像的车辆再识别结果。

2.根据权利要求1所述的基于协同级联森林的隧道车辆再识别方法，其特征在于，所述步骤S1包括以下步骤：步骤S11，将隧道车辆图像的尺寸统一缩放为M×N，其中M、N为正整数；

步骤S12，利用Retinex算法消除图像光照非均性的影响。

3.根据权利要求1所述的基于协同级联森林的隧道车辆再识别方法，其特征在于，所述步骤S2包括以下步骤：步骤S21，采用多尺度金字塔表示，通过局部池化下采样原始隧道车辆图像；每个尺度下分别提取隧道车辆图像的LOMO特征，由SILTP纹理特征和HSV颜色直方图组成；

步骤S22，每个滑动子窗口内，根据其中包含的像素点计算SILTP特征，统计形成纹理直方图特征；

步骤S23，每个滑动子窗口内，根据其中包含的像素点计算HSV色域下的颜色直方图特征；

步骤S24，将同一水平位置的所有子窗口的纹理和颜色直方图特征根据局部最大出现频次原则进行整合；

步骤S25，将整合后的各水平位置的特征进行串联，得到车辆图像的LOMO特征向量；

步骤S26，将多尺度的金字塔表示下的图像的LOMO特征向量串联在一起，形成一幅隧道车辆图像最终的LOMO特征描述向量。

4.根据权利要求3所述的基于协同级联森林的隧道车辆再识别方法，其特征在于，所述步骤S3包括以下步骤：步骤S31，对来自不同相机拍摄的两辆车的特征向量进行差分运算，特征差分向量作为协同级联森林模型的源特征向量输入；

步骤S32，为每个输入分配类别标签，来自同一辆车的两图像的特征差分向量类别标签为1，来自不同车辆的两图像的特征差分向量类别标签为0；

步骤S33，构建协同级联森林模型；

步骤S34，利用带有类别标签的车辆图像对的特征差分向量训练协同级联森林模型。

5.根据权利要求4所述的基于协同级联森林的隧道车辆再识别方法，其特征在于，所述步骤S33包括以下步骤：步骤S331，利用多层级联的森林构成协同级联森林模型，其中每一层都由极端森林和随机森林两种森林交替组成；

步骤S332，将样本实例输入森林，森林内不同的决策树会得出不同的类别预测，对所有决策树预测进行统计得出两个类别的百分比，所以森林输出的二维向量即分别是两辆车正确匹配和错误匹配的概率；

步骤S333，模型内，每个森林输出的二维向量与前一个森林输出的结果求平均，然后作为下一个森林的增广输入向量，以此类推；

步骤S334，选择模型最后一个森林输出的概率较大的类别作为最终预测结果。

6.根据权利要求4所述的基于协同级联森林的隧道车辆再识别方法，其特征在于，所述步骤S34包括以下步骤：步骤S341，设置协同级联森林模型训练参数；

步骤S342，模型每一层的分类精度由该层中极端森林和随机森林的分类精度的平均值计算得出；

步骤S343，训练过程中，如果新增加层与分类精度最高的层相差三层，则协同级联森林模型停止层数叠加生长，且最终模型只保留至分类精度最高的层，舍弃其后精度较低的三层。