近年来,随着城镇化的发展,车辆变得越来越多,车辆管控愈加充满挑战。同时,随着智慧城市、物联网、大数据和5G等技术的兴起,互联的监控设备越来越多,由此产生了海量的数据,这也为车辆监控、跟踪和识别等带来了便利。因此,肇事车辆追踪、特定车辆识别和社区车辆监控等成为了热门研究课题,而与此相关的车辆重识别问题也愈发受到关注。车辆重识别(Vehicle Re-identification,Vehicle ReID)是一种图像检索技术,目的在于利用计算机视觉技术,从图像或视频序列中跨镜头识别出特定的车辆。目前车牌是车辆识别的最可靠的信息,车牌检测也是在车辆识别中用的最多的方法。然而现实中车牌信息并不总是有效的。由于光照、摄像角度、遮挡和污损等因素的影响,车牌信息有时无法被有效地提取,进而影响到车辆识别精度。车辆重识别通过计算机视觉技术和深度学习来提取和分析车辆的全局特征和局部特征,进而初步地识别出特定车辆。然后,再结合车牌识别和人工识别等方法,可以有效地提高车辆识别的整体效果。这正是车辆重识别的应用价值所在。本文应用动态匹配局部信息(Dynamically Matching Local Information,DMLI)方法进行局部特征学习,该方法可以动态对齐水平条纹,而无需额外的监督。在某种程度上,DMLI可以提高局部特征的学习效果。本文采用AlignedReID++的重识别框架,该框架学习了与基于DMLI的局部分支联合的全局特征。在局部分支中,通过引入最短路径的距离来对齐局部。局部分支机构可以指导全局分支机构以了解更多具有区别性的全局特征。在推理阶段,结合全局和采用DMLI的局部特征可以进一步提高精度。AlignedReID++应用困难样本挖掘技术的三元组损失(TriHard loss)作为度量学习损失,将Softmax 1oss和TriHard loss结合以加速收敛。此外,更好的全局特征使该方法对于大型重识别系统的部署具有吸引力,而无需进行昂贵的局部特征匹配。本文对算法模型的主要参变量,比如预加载网络、优化算法、初始学习率和学习率调整策略等进行了比较精细的调优,同时结合了重排序和标签平滑化的训练技巧。本文采用了随机权重平均(Stochastic Weight Averaging,SWA)的新型集成学习方法。该方法使用比较恒定的学习率执行优化器,每个训练周期结束后,对探索的权重组合进行平均,从而确保可以在权重空间中尽可能地探索更多的点(权重组合)。这将有利于算法模型跳出局部极小值,使得目标函数在损失平面找到更优解,进一步地提高模型的泛化能力和精度。重要的是,该方法几乎不额外增加计算成本,且实施比较简单。为了解决社区场景中车辆重识别任务缺乏数据集的问题,本文采集和制作了一个相关的大型数据集,命名为Oeasy-Parking。车辆重识别算法的实验在VeRi-776和VehicleID这两个开源数据集上进行,并在Oeasy-Parking数据集上进行参照实验。本文对基准模型实验和改进算法实验的结果进行了详细的对比分析。同时,本文还和当前最新的研究成果进行了比照,以验证本文的改进算法的效果。对比结果表明,本文的改进算法在VeRi-776、VehicleID数据集上的mAP和rank-1精度均比当前最新研究结果高出了不少。并且,在Oeasy-Parking数据集上取得了 97.3%的mAP和99.2%的rank-1精度。从而证明了改进算法的有效性。本文研究还存在算法模型较大、训练速度较慢和样本数量限制等问题,因此离实际应用还存在差距。后续有待针对这些问题开展进一步的研究。