车辆再识别是智能视频分析领域兴起的一项新技术,是指对监控摄像机网络中车辆进行身份一致性关联的研究,即判别由不同摄像机在不同时间所拍摄到的两辆车是否为同一辆车。车辆再识别技术可以将单摄像机监控扩展为多摄像机协同监控系统,对监控数据进行自动分析联动,有效节省车辆检索跟踪所需的人力、物力和时间,大幅提高交通监控效率。车辆再识别问题研究中,由于交通环境复杂、车辆移动速度快和摄像机安装配置差异等原因,车牌信息往往模糊不清或无法获得,车辆再识别技术则主要依赖于视觉外观特征进行不同监控画面中车辆身份的识别匹配。然而,车辆的视觉外观特征非常容易受到实际路网监控视频中拍摄角度各异、分辨率低、遮挡、光照变化等因素的影响,导致跨摄像机拍摄图像中车辆的外观可能发生显著的变化,使得车辆再识别研究非常具有挑战性。围绕上述干扰因素,本文从不同方面提出多个车辆再识别方法,主要的研究工作如下:(1)鉴于现有再识别方法主要集中于特征表示和特征匹配的设计而对样本间互联关系考虑不够充分的问题,本文提出一种有效的协同级联森林再识别模型,对车辆样本的深层互联关系进行建模,随着协同级联森林层级的加深,逐渐增强模型对跨摄像机车辆间的表达性和区分性。进一步地,在协同级联森林模型训练过程中引入课程学习,实现了一个由易到难的车辆再识别训练框架,使模型的再识别性能获得了显著提升。通过对样本间互联特性的深层学习,协同级联森林模型的参数量虽然很少,但在小规模和大规模数据集上都有着良好的再识别性能,而且相同的模型参数设置在不同数据集上都表现出很好的泛化能力。(2)针对现有车辆再识别方法多依赖于大量的有标签数据而收集和标注大规模数据集十分困难和耗时的问题,本文利用单视图Cycle GAN进行不同摄像机间图像的风格迁移,将生成的多阶图像用作数据增广,不仅可以在增加数据多样性的同时降低模型的过拟合风险,还可以避免复杂的相机网络匹配问题。多阶图像包含有不同的域间信息,联合Center Loss和Hard Triplet Loss进行多阶图像间的交叉距离学习,可有效缓减不同摄像机的域间差异,从而克服类内间距大而类间间距小的问题,提高再识别模型的鲁棒性。(3)瞄准隧道内跨摄像机车辆再识别的应用前景,为了丰富车辆再识别数据集场景的多样性,本文构建了一个隧道车辆再识别Tunnel-VRe ID数据集。隧道监控中车辆外观受复杂的光照影响往往模糊不清难以识别。鉴于隧道场景极具挑战性,本文提出基于时空约束重排序的隧道车辆再识别模型,利用跨摄像机车辆间的行驶间隔时间,通过高斯混合模型和贝叶斯推理,将时空信息引入车辆再识别任务,使得车辆视觉外观相似的同时还应满足时空约束,车辆外观和时空约束互为补充、相互辅助,从而构建了一个更具判别性的隧道车辆再识别模型。综上,本文针对车辆再识别任务存在的问题,逐层深入依次提出了基于协同级联森林、基于多阶交叉距离学习的车辆再识别模型和基于时空约束重排序的三个车辆再识别模型。在多个不同规模、不同场景的数据集上,大量实验结果和理论分析都表明本文提出的模型具有良好的再识别性能,有助于推动车辆再识别技术在交通监控系统中的应用。