随着安防体系的健全,城市道路中逐渐形成了由大量摄像头所构成的一个庞大的监控网络。这个庞大的视频监控网络在监测交通违规行为上起到了至关重要的作用,从而保障了人民群众的生产生活安全。当前,对车辆违规行为的追踪主要还是依靠人工检测,这降低了效率。因此,发展自动化的跨区域车辆搜索系统具有重要的应用价值。但如何在复杂的环境中实现车辆的搜索一直是一个研究的难点。其主要原因有,第一,由于不同摄像头下自然环境的差异,往往导致同一车辆的光照、尺度、视角不尽相同,这增加了车辆搜索的难度。第二,同一车型的不同车辆具有相似性,影响了车辆搜索的性能。为了解决上述问题,本文提出了基于多局部区域的深度特征提取模型。我们首先利用Adaboost算法基于大量的训练样本来定位车辆的局部区域,包括车脸和车挡风玻璃。车辆的局部区域相比于车辆的整体外观能更好地识别车辆,因而能够提高车辆搜索的性能。基于每一个局部区域,本文在原有的VGG网络模型上进行了改进,提出了双分支深度特征提取网络。与传统的方法相比,双分支深度特征提取网络能同时提取两个局部区域的特征并进行有效的融合,从而为准确的跨区域车辆搜索提供了保障。基于有效的车辆特征,本文提出了基于时空约束模型的跨区域车辆搜索算法。该算法利用百度地图API构建摄像头之间的时空模型,并同时考虑了车辆可能经过的路径来估测查询车辆未来可能经过摄像头的时间段,再将时间段内的所有候选车辆与查询车辆依次进行视觉和时间相似度匹配,从而确定查询车辆出现的位置。由于过滤了大量的不相关车辆,该方法在保证搜索准确度的前提下大大加快了车辆搜索的速度。为了验证本文方法的有效性,本文分别在3个数据集上对我们所提出的方法进行实验。实验证明,基于多局部区域的深度特征提取模型更能有效地识别车辆,其性能比利用车辆全局特征、单独的车脸特征分别提高了16.87%和11.14%。而基于时空约束模型的跨区域车辆搜索算法在加快车辆搜索速度的同时(耗时260毫秒),也保证了车辆搜索的性能(mAP为0.521)。除此之外,本文的方法比当前的方法具有更高的准确度,且能保证实时的搜索。