摘要
为了提高智慧交通系统中的道路安全和车辆安全的水平，车辆重识别（Vehicle Re-identification）被广泛用于定位和追踪目标车辆以及分析车辆行驶轨迹。车辆重识别利用智慧交通系统中部署的监控网络，通过比较颜色、形状和纹理等车辆外观特征来辨别车辆身份，并在数据集中匹配与目标车辆身份相同的图像，获得相似性排名列表。重排序（Re-ranking）是车辆重识别的重要组成阶段，它通过更严格的相似性评价标准优化初次排名列表的结果来进一步提升车辆重识别方法的精确度。近年来大量关于车辆重识别和重排序的方法被提出，但这些方法存在一些局限性，例如没有合理地解决摄像头的视角差异引起的车辆外观特征变化的问题，以及在重排序阶段忽略了排名列表的长度不确定性而导致度量结果不一致的问题。为了解决上述问题，本文从以下角度进行了创新性研究。 1、为了解决摄像头的视角差异会改变车辆外观特征从而影响车辆重识别方法精确度的问题，本文提出了一种基于生成对抗网络（Generative Adversarial Nets, GAN）的车辆重识别方法。具体来说，该方法首先利用关键点和它们之间的连线来表示不同视角下车辆的姿态，然后使用GAN为目标车辆生成八个标准姿态的图像，并设计了一个新的三元损失函数来提升GAN网络的收敛速度。最后，在比较目标车辆与图库图像相似性时选择相同视角的图像计算特征距离来解决视角差异问题，提高车辆重识别方法的精确度。 2、为了解决在重排序阶段忽略排名列表长度不确定性导致度量结果不一致，从而影响车辆重识别方法精确度和稳定性的问题，本文提出了一种基于排名侧重重叠（Rank-biased Overlap，RBO）的重排序方法。该方法首先通过构建k互近邻列表（k-Reciprocal Nearest Neighbors）来筛除与目标车辆身份不同的错误匹配图像，然后根据k互近邻列表的RBO相似性分数进行重排序。通过为RBO相似性分数的计算函数设置无限的定义域和固定的权重来保证度量结果在列表的任意长度处都保持一致，从而解决了列表长度不确定性问题，进一步提高了车辆重识别方法的精确度和稳定性。
NETL