张 雪，孟令灿，聂秀山

（山东建筑大学计算机科学与技术学院，济南250000）

引 言

近年来，智慧城市和智慧交通发展迅速，由于车辆是智慧交通的重要组成部分，使得车辆重识别成为智慧交通的核心技术之一，吸引众多学者对其展开研究。以往的研究工作大多依赖于各种非视觉传感器方法，如：Tong等［1］结合传感器数据和车辆的通过时间解决车辆重识别问题；Kwong等［2］提出了一种用于实时估计行程时间的实用系统，该系统通过结合传感器数据与无线磁传感器来解决车辆重识别问题。近年来，由于监视系统的广泛应用，基于视觉的车辆重识别越来越被关注。基于视觉的方法可分为两类：基于人工设计特征的方法［3⁃6］和基于深度特征的方法［7⁃10］。

基于人工设计特征的方法利用了图像中固有的属性。Feris等［3］使用特征库学习了包含数万个特征描述符的特征池进行大规模车辆检测，还能够对多种车辆模型进行显示的建模。Zapbone等［4］采用颜色直方图和线性回归的定向梯度直方图解决车辆重识别问题。Ojala等［5］提出了一种基于局部二进制模式的多分辨率方法，对于灰度变化具有良好的鲁棒性。Zheng等［6］提出了一种基于特殊属性的多姿态匹配和重新排序的方法解决车辆重识别的问题。

与传统的机器学习方法不同，深度卷积网络通过引入隐藏层来学习高级特征，以此提高泛化能力。基于深度学习的方法比传统方法获得了更高的精度，不仅在目标再识别任务上取得良好的性能，还可以推广到其他计算机视觉任务上。……