车辆重识别(Vehicle Re-identificaiton)是智能视频分析领域兴起的一项新技术,旨在复杂视频环境下对非重叠摄像头中的车辆身份进行精确匹配,判断在不同摄像头不同时刻所拍摄到的车辆图像与给定的目标车辆是否为同一目标,从而有效节省车辆精确检索所需的人力和时间,提高案件侦察效率。由于实际场景中城市路网监控视频中存在拍摄方位各异、分辨率低、遮挡、环境不可控等因素使得很难从视频中获得车辆的车牌信息,此时需要快速定位目标车辆就需要进行车辆的图像特征匹配。围绕该问题,本文将特征学习和度量学习相结合,设计了一个基于多任务学习的车辆特征表示模型,并结合实际路网环境构建了高准确率的车辆重识别系统。本文具体内容如下:1.研究基于多任务的协同度量学习策略。通过分析卷积神经网络中分类任务和度量任务之间的关联,提出结合分类任务中高鲁棒的图像特征表示和度量学习中通过特征变换得到特征子空间的聚类属性,利用分类任务对特征表示的约束辅助度量任务进行模型学习,解决了度量学习模型难以训练和训练效果差的问题。实验分析结果表明多任务学习策略比单一的度量学习能够更准确地对车辆图像进行特征表示,提高车辆重识别的准确率。2.研究车辆显著局部特征表示方法。提出了显著特征增强模型和自适应局部特征选择机制,并将车辆的全局特征和局部特征相融合,设计了基于全局特征和局部特征融合的特征映射模型。该模型通过对车辆图像进行多粒度的特征映射,解决了车辆重识别中不同车型颜色车辆需要全局特征表示与相似车型颜色车辆需要强判别性特征表示之间的矛盾,在公开数据集上的对比实验表明该模型能够达到最高的车辆重识别精度。3.设计并实现了完整的车辆重识别系统。通过结合车辆重识别实际应用场景中低延迟、高准确的特点设计了合适的系统架构,进行了完备的需求分析、系统设计和系统实现,并提出利用HBase建立车辆索引数据库,使得系统在海量车辆图像中能迅速构建候选库进而对车辆重识别请求快速响应。最后,通过对系统的功能测试和性能测试,验证了本文设计的车辆重识别系统的高效性和准确性,研究成果可用于智能监控系统,对智慧城市、智能安防等领域具有积极意义。