重识别技术旨在从不同的拍摄场景中识别出相同的目标,是智慧城市以及智能视频监控研究领域的重要分支。视频监控中车辆重识别是重识别技术需要解决的问题之一,其中通过车辆的号牌识别来达到车辆重识别是一种简单有效的方法,但在道路监控视频中往往存在车辆牌照无法识别或识别不清的情况,给交通执法部门带来不小的挑战,这就需要通过提取、比对拍摄车辆的其他信息才能达到车辆重识别的目的。但在实际的监控视频中拍摄的车辆图片往往存在视角变化、光照变化,进而影响图片中车辆的纹理、边缘等特征,另外摄像机品牌、参数等不一致也会导致不同摄像机拍摄的同一车辆图像存在较大差异。所以在智能视频监控领域想要对道路交通中的车辆进行有效管控,车辆重识别技术是必不可少的。因此,本文的研究主要针对上文提到的目前车辆重识别领域遇到的几个问题。主要工作如下:1、针对现有车辆重识别领域缺少车辆重识别数据集的问题,制作了三个车辆重识别数据集,分别为普通高速公路车辆前脸视角下632组车辆图片样本数据集,视角变化较大的236组车辆图片样本数据集,光照变化较大的500组车辆图片样本数据集。2、针对提取的跨视野下同一车辆图片特征往往存在较大差异,直接对车辆的图片进行相似性度量不可靠的问题,本文参考近年来行人重识别的方法,采用耦合字典学习方法对车辆图片的特征数据进行处理,实现了车辆图片跨视野下的重建。3、针对在车辆重识别时不同摄像头拍摄的车辆图像的类内的共性特征和类间的差异性特征对识别率影响较大的问题,本文在耦合字典学习模型中设计了样本标签矩阵用于标签一致性约束,标签约束信息的加入能够很好的缩小同类训练样本数据间的距离,使训练出的字典更具判别性,另外通过映射矩阵把同一样本的特征信息映射到一个公共空间,降低跨视野所带来的外界拍照条件的影响以及摄像机自身参数的影响。通过在车辆重识别数据集以及行人重识别公共数据集下的实验验证了该方法具有很好的识别率。