车辆图像检索是研发公安视频大数据平台中重要的任务之一,其目的是从海量的图像数据库中快速、高效地找到与查询图像一致的车辆。近年来,基于内容的图像检索(CBIR)开始被大规模使用,当前深度学习方法成为CBIR提高车辆检索准确率的主流方法,主要利用深度神经网络对图像数据的强大表征能力来提升对车辆图像检索的准确率。尽管基于深度学习特征提取方法获得了一定的成功,但仍有一些不足:(1)目前网络上公开的大规模车辆数据集相对缺乏,并且采用人工标注车辆图像会耗费大量的人力物力。(2)在使用训练好的模型提取车辆图像的特征时,会产生大量高维的特征,在进行相似度度量时会增加车辆图像检索的时间。(3)在模型训练过程中,深度神经网络参数的学习和更新会产生很大的计算开销,导致训练效率不高。本文分别针对以上三个问题展开研究,提出了如下的解决方法:1)使用图像数据增强的方法对现有的Vehicle ID车辆图像数据集进行扩充,得到较大规模的车辆图像数据集。采取多尺度Retinex算法,对车辆图像进行暗光增强。目的是通过扩充车辆数据的规模来提高模型对图像的表征能力,采用了两种不同的卷积神经网络对Vehicle ID和数据增强后的数据集进行训练,通过实验对比,两种模型使用数据增强方式的MAP值分别提高了1.8%和0.6%。2)为了把深度神经网络更好的应用在车辆领域,本文提出了基于改进VGGNet的车辆检索方法。首先在构建的多分支VGGNet网络中引入隐藏层(哈希层,hash layer),该哈希层把高维度的特征向量映射为固定长度的二值编码。其次,将VGGNet与PCA主成分析法相结合。最后把两种网络模型在原始数据集和增强后的数据集上进行训练和测试。实验表明,车辆图像检索准的确率提高了约1.1%,效率提高了约20%。3)针对单GPU计算资源有限引起的网络模型训练时间过长的问题,综合考虑模型并行化和数据并行化的特点,本文结合数据增强方法以及所使用的网络结构设计了基于Pytorch的数据并行深度学习方法来提高训练的效率,采用多GPU并行化的解决方案来克服单机训练的瓶颈。