作为国家“十三五”规划重点产业布局,“智慧交通”已上升为“抢占新一轮信息技术革命制高点的战略任务”。为此,全国部署了千万级数量的视频监控终端,如何在海量的交通视觉大数据中,挖掘和利用深层信息是智慧交通建设急需解决的问题。车辆重识别的任务是在车辆号牌信息不可用的情况下,从无重叠视域的跨摄像机视频监控系统中,判断其中一个摄像机下出现的车辆是否出现在了另一个摄像机拍摄的场景之下,最终在整个监控系统中获得行车轨迹。车辆重识别技术在一定程度上可以缓解海量数据与不足人工之间的矛盾,因此在智慧交通领域具有重要的应用价值,对公共安防、智能监控、无人驾驶等行业的发展具有推动作用。然而车辆重识别技术的实际应用还存在着诸多挑战:(1)由于复杂的监控场景,监控探头自身属性差异,监控场景中的光照变化等因素,相同车辆的不同图像间存在较大差异,因而需要提取出对光照变化,角度差异等因素具有鲁棒性的车辆特征。(2)由于车辆是刚体结构,广泛存在同款车的情况,即不同的车辆具有极为相似的外观,因而需要提取出具有判别性细节的车辆特征。(1)为了一定程度上摆脱光照,角度,遮挡等因素的干扰,获取更鲁棒的特征来描述车辆,本文提出了基于拉普拉斯正则化约束的关联稀疏排序车辆重识别方法来融合多视图信息。具体而言:对每一张车辆图像,利用多个基准深度网络生成多视图特征。之后通过在稀疏排序框架中加入多视图关联约束探索多视图间关联,并且加入拉普拉斯正则化约束保持视图内平滑。优化模型后,原始排序由查询集与匹配集间的稀疏重构系数获得。最后,利用重排序技术进一步提升重识别精度。该模型对多视图特征进行了有效的融合,相对于原始特征更加鲁棒。(2)针对同款车的挑战,为了更有效的挖掘数据内在的判别性细节,本文设计了一个基于多尺度注意力机制的车辆重识别网络。具体而言:首先利用骨架网络提取车辆特征图,之后利用二次插值方法,生成其他尺度的车辆特征图,并且分别送入对应的包含空间通道注意力模块的子网络中。分别训练这些子网络后,利用结合层来融合多尺度注意力特征图,并且微调整个网络。该网络通过融合多尺度的互补信息,并且利用注意力机制挖掘判别性的局部细节,获得了更为鲁棒的特征。