车辆再识别旨在识别出非重叠视图下不同摄像头拍摄的目标车辆,当车辆的车牌信息无法取得或者是不可靠时,车辆再识别技术对于道路监控场景下的车辆识别就显得尤为重要。在车辆再识别领域中,摄像机的视角变化会对算法模型的性能造成很大的影响。一方面,同一目标车辆的图片会由于拍摄视角的变化而呈现出极大的视觉外观差异,即“类内差异大”;另一方面,相同的车辆属性(车型、颜色等)但身份标识不同的车辆图片可能在同一视角下表现出非常相似的视觉外观,即“类间相似度高”。为解决车辆再识别领域内视角因素引起的“类内差异大”和“类间相似度高”这两大主要挑战,提升车辆目标的识别准确度,本文提出了一种融合潜在视角信息的车辆再识别算法,该算法使用一种新颖的多视角排序损失函数,并结合分类损失函数来联合优化卷积神经网络,最终使得算法模型能够提取到视角鲁棒且辨识度高的车辆特征。多视角排序损失函数的主要思想是先通过K-means聚类算法获取每张车辆图片的潜在视角标签信息,用于判断任意两张图片是否处于同一视角。然后将得到的潜在视角标签引入到三元组约束中,针对车辆样本进行单视角和跨视角下的联合度量学习,使得类内样本更加紧凑,类间样本更加分散。经过网络训练后,融合潜在视角信息的车辆再识别算法可以通过样本间的余弦相似度来区分不同车辆。除了车辆目标的识别准确度之外,车辆再识别任务还对算法的实时性有一定的要求,即车辆再识别算法需要在规定时间内,从大规模数据集中快速找到目标车辆。为了解决这一问题,本文提出了一种基于轻量级深度神经网络的车辆再识别算法,该算法以Mobile Net V2为主干网络来高效地提取车辆特征,通过深度可分离卷积来降低卷积操作的计算量,提高算法运行效率;同时使用倒置残差结构来融合图像特征,加强网络特征表示能力。另外,该算法还采用了一种自适应权重采样方法来选取三元组样本,避免随机采样方法容易出现的无效训练问题,可以平滑网络训练过程,加快模型收敛速度。本文在两个通用车辆数据集上对上述两种算法模型进行详细的对比实验和性能评估。实验结果表明,融合潜在视角信息的车辆再识别算法在类内样本(身份标识相同但视角不同的车辆样本)的召回率方面表现更好,超越了以往的其他方法。同时,基于轻量级深度神经网络的车辆再识别算法,能够在保持较高识别准确度的前提下,极大地提升了算法的运行效率,算法延迟时间更低。