车辆重识别，也被称为车辆再识别，是指对给定的车辆图像仅利用外观信息或其他辅助信息检索该车辆在其他摄像头下拍摄的车辆图像，是进行跨摄像头车辆跟踪和车辆搜索任务的核心基础，是弥补车牌识别局限性的重要手段，是智能交通和公共安防等领域亟需解决的核心难题。不同成像条件导致车辆外观变化多样，有限的车型与颜色又导致车辆高度相似，现有的车辆重识别方法尚未解决在实际应用中面临的难描述、难比较、难关联的问题，这些难题使得车辆重识别仍然是计算机视觉、遥感、GIS等领域的研究热点和难点。

研究如何联合视觉特征和时空信息实现跨摄像头下的车辆重识别，从车辆图像的特征表达、特征距离度量和特征排序优化三方面出发，提出了新的方法和技术框架，并在实际场景中进行了系统验证与应用验证。

论文的主要贡献如下：

1）提出了基于多粒度细节感知网络的车辆特征表达方法。

针对车辆重识别任务中类间相似度高、全局或预设好的局部区域如挡风玻璃、车灯等难以有效分辨相似车辆等问题，提出了一种基于多粒度细节感知网络的车辆特征表达方法，从全局或固定区域学习转变为多粒度、多区域联合表征。

2）提出了基于多代理约束函数的车辆特征距离度量方法。

针对车辆重识别任务中类内差异大、单一的类内中心难以拟合多样性样本的问题，提出了一种基于多代理约束函数的车辆特征距离度量方法，从单一中心拟合转变为多代理聚类，从无差别特征度量转变为差异化特征约束，具体包括多代理约束损失函数和一种顾及视角的采样策略。

3）提出了集成图卷积神经网络和时空模型的车辆重排序方法。

针对现有基于卷积神经网络的车辆重识别方法忽略了车辆图像间视觉和时空关联关系的问题，提出了集成图卷积神经网络和时空模型的车辆重排序方法，从视觉相似度和时空一致性两个维度建立了车辆图像间的约束关系。

在此基础上，提出了视频监控中车辆重识别全链条技术框架，设计了从监控视频数据接入到地理时空轨迹生成的完整流程，包括视频车辆检测、重识别特征提取、索引构建、检索排序和轨迹生成五个环节。

基于上述方法和技术框架，开发了实验原型系统，并利用大学校园监控视频数据、某中等城市监控视频数据进行了系统验证。同时提出的车辆重识别方法在江西省九江市进行了应用验证，通过两方面验证表明，所提出的方法在实际应用场景中可以有效地进行车辆重识别。