陈冬艳，彭锦佳，蒋广琪，付先平,2，米泽田+

(1.大连海事大学 信息科学技术学院，辽宁 大连 116026； 2.鹏城实验室 机器人中心部，广东 深圳 518033)

0 引 言

由于不同车辆可能具有相同品牌、型号和颜色，因此很难通过全局外观辨别不同车辆之间的差异，如图1所示，每一列的两辆车具有不同的ID，图中用圆圈突出它们的局部差异性。为克服这一困难，早期的车辆重识别[1-3]采用人工标注的方式，但监视视频的质量通常受拍摄角度、光照、背景等诸多因素的影响，由图2可知，不同摄像头下的车辆图片差异较大，因此，在监视场景中人工提取的判别特征具有不稳定性。随着深卷积神经网络(convolutional neural networks，CNN)[4,5]在计算机视觉领域的发展，一些研究者采用CNN技术获取车辆全局特征，如Liu等[6]提出一种相对距离学习的耦合簇损失对全局特征进行学习该方法从一定程度上提高了重识别的准确性，但对高度相似车辆的识别率并不高。为解决这一问题，Liu等[7]提出一种区域感知深度模型，直接将较高层全局特征进行划分, 以获得粗略的局部特征。Pirazh等[8]提出利用关键点特征作为车辆结构特征，但未考虑背景信息的影响。Wang 等[9]将车辆方向关键点分为4组，使得每个方向的关键点均具有可见性，但不是所有关键点均具有判别信息。为解决以上问题，本文提出基于局部感知的车辆重识别算法LVR采用三分支网络结构，不仅可获取较为精细的判别特征，还解决背景信息的干扰问题。实验结果表明，该算法具有较好的重识别结果。……