车辆再识别是依据目标车辆图像,从城市智能交通监控系统采集的海量图像中查询含有目标车辆的图像进行再识别。车辆再识别的研究对于交通管理工作中违章车辆的跟踪与识别、交通流量分布规律的统计与分析以及公共安全部门中嫌疑车辆的查找与跟踪都具有深远的意义。目前车辆再识别方法大多都基于车辆的外观特征,由于车辆间相似度过高且背景噪声复杂造成再识别准确率不高。本文提出一种基于联合深度学习和重排序(Joint Deep Learning and Re-ranking,JDLR)的车辆再识别方法,利用深度学习方法提取车辆的高层语义特征、细节特征和低层颜色特征并将车辆的粗识别结果重排序后进行再识别,该方法分为车辆粗识别和重排序再识别两个阶段。(1)车辆粗识别阶段,提出了基于联合深度学习(Joint Deep Learning,JDL)的车辆粗识别方法。构建孪生网络Siamese-Res Net50,提取车辆的高层语义特征以及细节特征,同时利用VGG16网络提取车辆的低层颜色特征,融合上述两种网络构成JDL网络模型,得到车辆的粗识别排序列表。(2)重排序(Re-ranking)再识别阶段,采用多特征融合及K互近邻方法计算车辆粗识别排序列表中各车辆图像特征距离,优化排序结果。利用训练好的JDL模型提取语义特征、细节特征和颜色特征并串联,分别将特征对的马氏距离和K互近邻的杰卡德距离作为距离度量并进行线性归一化融合,进一步对粗识别结果进行重新排序,得到最终的车辆再识别结果。本文在车辆再识别的Ve Ri-776和Vehicle ID公共数据集上将所提出的算法与目前主流的车辆再识别方法进行了实验对比,实验结果表明本文方法提出的联合深度学习模型能够提取更具鲁棒性的车辆特征,并通过加入重排序处理可以提高车辆再识别的准确率。