金晓峰　黄彦杰　徐天适　黄宇恒　黄跃珍

摘  要：在视频监控场景中，由于车辆外观的多样性、车辆间的相似性以及应用场景的复杂性，导致算法难以区分不同的车辆目标;同时，实际应用对车辆重识别算法的实时性也提出了要求。为兼顾精度和速度，进行了以下工作：首先，构建了一个场景复杂、含有近百万张车辆图片的数据集;其次，对车辆重识别算法的数据预处理、网络结构、后处理三个方面进行详细实验;最后，对模型进行蒸馏与量化，在保证模型精度的情况下提高模型速度。最终在自研测试集上的重识别精度达到了93.35% Rank1和76.30% mAP，推理速度达到了400.6 FPS，满足了实际应用需求。

关键词：视频监控;车辆重识别;模型设计

中图分类号：TP391.4    文献标识码：A 文章编号：2096-4706（2021）17-0095-05

Abstract： In the video surveillance scene， due to the diversity of vehicle appearance， the similarity between vehicles and the complexity of application scene， it is difficult for the algorithm to distinguish different vehicle targets; at the same time， the real-time performance of vehicle re-recognition algorithm is also required in practical application. In order to give consideration to accuracy and speed， the following work is carried out： firstly， a data set with complex scenes and nearly one million vehicle images is constructed; secondly， detailed experiments on data preprocessing， network structure and post-processing of vehicle re-recognition algorithm are carried out; finally， the model is distilled and quantified to improve the model speed while ensuring the accuracy of the model. Eventually， the re-recognition accuracy on the self-developed test set reaches 93.35% Rank1 and 76.30% mAP， and the reasoning speed reaches 400.6 FPS， which meets the needs of practical application.

Keywords： video surveillance; vehicle re-recognition; model design

0  引  言

车辆重识别技术是一种基于图像的车辆检索技术，其旨在搜索到不同视频监控场景下的相同车辆。在交通监管、刑侦追查等场景下，由于违法人员对车辆进行篡改和遮挡，从而导致基于车牌信息的车辆识别方式失效;而基于车辆特征的车辆重识别技术能通过目标车辆的整体和局部特征信息，有效地识别、检索和追踪目标车辆。

传统的车辆重识别方法基于手工构建的特征，利用特征算子提取车辆外观特征，而后进行编码来获取用于描述该车辆的特征向量，如Liu等人[1]采用的SIFT-BOW法，在提取了车辆外观的SIFT特征后，采用词袋法（Bag of Words，BoW）[2]对SIFT[3]特征进行编码。此类方法的性能依赖于手工设计特征的可靠性及参数选择的合理性，泛化能力差。……