车辆再识别(Vehicle Re-identificaiton,Re-Id)的任务是在包含有多个摄像机捕获的图像数据库中搜索指定车辆的图像,在视频监控、智能交通和城市计算等方面具有普遍应用,在计算机视觉研究领域是一个前沿且重要的课题。目前用于车辆再识别的现有方法主要关注基于外观特征的深度学习模型,但是由于同一车辆不同状态的细微差异以及不同车辆具有的相似外观而难以得出最佳结果。针对上述问题,本文围绕基于外观的车辆再识别深度学习模型Rep Net展开深入研究,主要研究工作与成果包括:(1)构建了基于GAN的不平衡样本的迁移预训练方法。由于不同数据集的样本不完备以及同一数据集中不同车辆样本数目的不平衡,使得深度学习模型训练效果不理想,推广性能变差。使用GAN网络对样本进行学习,生成新的样本,在包含新的样本集上对Rep Net进行预训练,然后使用该模型在原始数据集上进行迁移训练。实验结果表明,与原始模型相比,基于GAN的不平衡样本的迁移预训练方法使得检测效果有一定的提升。(2)构造基于度量学习和多通道模型的车辆再识别算法。本文在Rep Net的基础上使用Res Net代替VGG网络,加深网络层数,提取到更丰富的车辆细粒度特征;将全连接层用1*1卷积操作代替,实现任意尺寸图片的输入;将车型、车辆颜色两个通道粗粒度外观和细粒度外观融合一起进行车辆的特征学习;使用ARC Face Loss代替Triplet Loss,将相似度度量转化到球面空间,增加类间距离,减小类内距离,增强对相似车辆的分类能力;基于欧式距离均值权重对模型输出的排序列表进行重排序,优化检索结果。实验表明,相较于经典的Rep Net算法,本文提出的算法在在Vehicle ID数据集上能够有效提升行人再识别的检测精度。与其他经典算法相比,本文算法也取得了最好的识别性能。