近年来,人们对于交通安全问题越来越关注,在智能交通安全系统上投入了大量研究。在智能交通安全系统中,车辆再识别是其中一个经常需要处理的问题,受到了研究者们的广泛关注,并对其做了大量研究。目前车辆再识别方法仍存在着识别精度不高和运算效率慢等问题。为了有效的提升车辆再识别算法的效果,使其在提高识别率的同时提高运算效率。本文从提取高识别率的特征和学习高效率的度量方法两个方面进行了相关研究,主要内容如下:1、从特征提取方面:大多数车辆再识别方法是通过提取车辆的颜色,纹理等特征来进行识别,由于这些特征只能表示车辆单一方面的信息所以使得识别率较低。为了提高识别的精度,本课题提出了基于典型相关分析和主成分分析方法的特征融合降维方法。首先将车辆的底层特征编码和深度学习算法提取的特征编码用典型相关分析算法进行特征融合,然后利用主成分分析方法实现数据的降维。最后通过感知哈希算法将整合得到的目标描述子映射到汉明空间,通过比较图片哈希编码之间的汉明距离的大小来获取最终的识别率。结合CompCars和VeRi车辆数据集,通过对比BDF描述子与图片颜色、纹理、形状特征等普通描述子应用在车辆再识别上的识别率可以得出:本文所提出的BDF描述子比普通的描述子识别率更好,更能准确描述图片的语义信息。2、从学习度量方法方面:大多数现有的车辆重新识别方法是通过对样本数据之间欧几里德距离的度量值进行比较从而获取识别率,而当其被应用于大规模实验时将不可避免地浪费时间。本文根据跨模态哈希算法可以通过将实值乘法转换为二进制异或操作来节省空间提高速度的特点,提出了一个基于MVBI哈希算法的车辆再识别方法。算法首先定义了一种新的MMM(最小化内部距离、最大化类间隔距离、最大平均差异)约束条件,旨在最小化相似车辆不同视图之间汉明距离的同时最大化不同车辆不同视图之间的汉明距离,并通过最小化样本的最大均值差异尽可能的保留原始样本之间的相似性。然后,在考虑到约束条件的情况下,学习一组哈希函数将不同视图的所有样本投影到合适的公共汉明空间中。最后,通过汉明距离的计算对结果进行排序,实现高效的车辆重新识别。在CompCars和VeRi这两个基准数据集中的实验结果表明,本文所提出的MVBI哈希算法有着很好的准确性和鲁棒性。