随着人民生活水平的提高,城市道路上车流也变得越来越拥挤,仅依靠封闭式停车场对车辆进行停放管理已经无法满足实际车辆停放需求。因此,不少城市通过在部分支路两侧划分停车区域的方式满足市民车辆停放需要。但是对于该类停车场的管理需要耗费大量的人力物力,给城市管理带来巨大的挑战。本文所研究的车辆重识别算法便应用于该场景以实现道路两侧停车场的智慧管理。但是在基于道路场景的车辆重识别算法的研究中,除了受限于高位摄像头有限的分辨率,复杂的交通路况和多变的天气环境等因素,在公开车辆重识别数据集和实际道路场景中,车辆姿态的变化,车辆尾灯对车辆外观的干扰以及可能存在的部分遮挡,都会给解决车辆重识别问题带来极大的困难。为了让算法能在可能存在部分遮挡的情况下捕获到未被遮挡区域的车辆局部特征,本文重新定义了车辆关键点检测问题并设计了两阶段关键点检测算法VKPAODN以定位未被遮挡的区域。VKPAODN可以完成车辆关键点坐标检测,车辆方向预测和车辆关键点可见性检测三大任务。同时为了让模型能在有限的条件下捕获到区分性更强的车辆特征,本文设计了具有三个不同分支的车辆重识别网络MGNVKP。MGNVKP网络融合了三部分不同粒度的车辆特征,分别为基于车辆外观的整体特征,基于车辆关键点的局部特征以及根据车辆不同方向获取到的车辆结构特征。并且MGNVKP于结构特征分支和局部特征分支设计了相应的注意力机制用于捕获到表征能力更强的特征。最终MGNVKP在Ve Ri776车辆重识别数据集上对模型进行训练和测试,精度可达79.5%,足以达到领先水平,同时在GTX2080Ti推理单张图片速度为26ms,在Jeston TX2嵌入式平台上推理单张图片速度为150ms。为了强化模型的有效性和实用性,本文针对实际停车场场景出现的尾灯灯光干扰,时空信息利用,遮挡处理等问题进行了优化,并验证了优化措施的有效性。最终将MGNVKP基于Tensor RT推理引擎部署于嵌入式平台Jeston TX2上,在FP32的模型精度下,于GTX2080Ti推理速度约为7ms,在Jeston TX2上推理速度约为35.6ms,足以满足系统实时使用需求。最终本文通过车辆重识别算法MGNVKP将原智慧停车系统予以优化改进,将智慧停车系统整体的准确率从平均65.31%提升到了79.38%。