随着人们物质生活的逐渐提高,车辆拥有量也逐年增加,但紧接着而来的交通安全问题也越发频繁。每一年的违法案例和治安管理等交通问题不断增多,比方车牌遮挡、车牌套牌和车辆逃逸等交通问题。这些问题使得人们对于交通安全的问题愈加重视了。根据以上论述的背景,要解决目前交通监管的情况,满足人们对安全的需求,就需要在海量的车辆数据库中快速的寻找目标车辆,即车辆重识别。针对本课题的研究内容,我们研究了更能够表现车辆特征的特征提取方法,并且能够有效的提高车辆重识别的准确率。主要研究如下:(1)总结和概况现有车辆重识别工作的研究进展,从传统的视觉特征到深度学习网络自动提取的特征,以及局部特征、表征学习、度量学习和GAN网络的方法,从特点和优缺点等方面进行多维度的对比,并归纳常用的归一化算法。(2)在这项工作中,我们研究了基于归一化的车辆Re-ID深度神经网络,并提出了强有力的基础模型。在我们的研究工作中,通过结合实例归一化IN和批归一化BN,在浅层网络层中使用IBN。在IBN中,使用IN可以消除外观上的差异,而使用BN则对于提取内容信息至关重要。在深层网络层中,在全局池化层以后添加批量归一化。因为浅层的低层和中层的特性表示的是样式内容,而深层的高层的特性表示是语义内容。在浅层中加入IN和BN,而在深层中仅添加BN。通过以这种方式向ResNet网络中合理的添加归一化,网络可以减少类内差异,并提高性能。(3)由于不同的噪声、色彩、偏移、亮度或者是样式等造成的类内差距很大的问题,我们改进ResNet网络模型,以消除内类差异的对模型造成的影响,另外通过设计合理的模型使得保留预训练模型的判别力,并且能够通过防止过拟合使得模型的性能能够在新的数据集上更优。通过研究了不同的归一化方法,提出一种合理的归一化方案,为车辆Re-ID提供了强有力的基准模型,在VeRi-776、VehicleID和VERI-Wild数据集上达到最优。模型的能够解决类内差距过大这一问题,且模型具有很好的鲁棒性、抗干扰性、便于迁移。