随着智慧城市的建设，智能交通视频监控成为了日益重要的核心环节。车辆重识别(VehicleRe-identification，简称车辆Re-ID)是智能交通视频分析中的一项新兴技术，正逐渐成为研究热点。车辆重识别的主要任务是在多个非重叠覆盖摄像头的监控网络中在快速检索、定位到目标车辆。在真实开放的交通监控场景中，环境光照的变化、摄像头分辨率低、遮挡等不可控因素使得从视频中难以准确的获取车辆的车牌信息。不利用车牌信息的车辆重识别面临着巨大的挑战，例如不同的车辆可能具有相似的外观，而同一辆车在不同的姿态或视点下可能外观差异甚大。围绕这些问题，本文受到相关研究工作的启发，提出了一种基于姿态引导的车辆重识别研究方法。本文具体内容如下：
　　1.本文研究了提取对车辆姿态变化鲁棒的视觉特征方法，设计了基于姿态引导的视觉模型KPGEV，其中包含利用了基于车辆骨架关键点的姿态分类器来提取车辆姿态特征和判断姿态类别。本文发现同一辆车在不同姿态下的视觉特征距离可能会大于不同车辆在同一姿态下的视觉特征距离，从而导致身份判别存在误差。因此引入了基于姿态引导的损失函数PG-Triplet在线挖掘同一姿态和不同姿态下的困难样本对，指导车辆全局特征和姿态特征自适应融合，得到对姿态变化鲁棒的视觉特征。该视觉方法在公开数据集上的mAP指标可达到60%以上。
　　2.本文提出了一种基于车辆姿态引导时空约束模型的方法KPGST，通过挖掘车辆姿态与时空分布之间的关系来优化时空约束模型。该方法的设计动机是基于车辆连续通过多个摄像头时的运动方向应该是保持一致的。KPGST方法结合了车辆姿态和摄像头拍摄方向来估计车辆运动方向，基于车辆相对运动方向一致性和摄像头拓扑关系从而来引导时空约束模型。在公开数据集上，通过对比实验证明了该方法的有效性。最后，本文基于贝叶斯概率将视觉方法和时空方法进行了融合，从而提出了一个统一的车辆重识别框架。通过与目前研究方法的结果进行了多组对比，验证了该重识别框架具有高效性和先进性，在公开数据集上的mAP指标可达到75%以上。本文研究成果对智能监控、智慧交通领域有积极意义。