1.1目的及意义

汽车，公共汽车和卡车等汽车，已成为人类生活中不可或缺的一部分，也是重要的城市监控系统中的一类物体。多媒体和计算机视觉领域的许多研究人员都将重点放在与车辆相关的研究上，如检测等。而车辆重识别就是一个重要而又前沿的领域，以查询车辆作为输入，给定一个监控车辆图像，旨在搜索监控数据并找到由不同摄像头记录的相同车辆，可广泛应用于智能监控系统，智能交通和城市计算。通过无处不在的监控网络，它可以快速告诉用户车辆在城市的何时何地。

车辆重识别可以视为一个实例级别的对象搜索任务，这与传统的车辆检测，跟踪和分类问题不同。类似于近似重复图像检索，基于内容的视频搜索和对象实例搜索，车辆重识别将从城市监控视频中找到具有相同身份的车辆。在现实世界的实践中，人类可以以渐进的方式处理这项任务。例如，如果安全人员需要在具有大型视频监控网络的城市中找到嫌疑车辆，则可以初始使用诸如模型，类型和颜色的外观属性来找到类似的车辆并减少搜索领域。然后，他们可以通过匹配车牌来精确识别过滤车辆的目标，这可以减少巨大的工作量。与此同时，他们将搜索由近处到远处摄像机拍摄的视频以及从近处到远处的时间范围。

因此，车辆重识别，即在拍摄区域不重叠的多个监控摄像头下自动检索同一车辆的技术，逐渐受到许多研究者和科研机构的重视。本文课题车辆重识别将着重研究如何从不同的监控视频中提取出目标车辆的特征信息进行筛选最终确认。由于实际监控场景的特殊性和复杂性，车辆重识别问题仍然面临许多挑战，因此这项研究具用重大意义。

1.2研究现状

1.2.1国外研究现状

近些年来，有许多国外专家和学者基于图像的车型识别技术相继提出了一些新的研究成果。

G.Fung等人用具有较大分辨率的摄录机来获得机动车的移动形态，并利用移动中出现的各种角点，估量出机动车的具体形态，得到形象的车型信息，最后利用得到的车型信息来进行车型识别，其缺点是对摄录机的精度要求过高，而且容易漏掉车型轮廓信息，不利于实际应用。

G.S.sullivan等人首先利用3个一维模型来确定机动车的出现位置，然后利用1个二维模型对机动车进行跟踪，并利用模型跟踪中与目标车型对应的二维信息对机动车型进行分类,虽然该方法开创性的利用了不同量与不同维的模型思想，但不足之处就是模板的数据存储量大，不利于达到实时性的指标。

D.R.Lim 等利用Gabor滤波器对机动车视频图像进行了均匀滤波，利用Gabor轮廓特征进行匹配识别车型，虽然减少了Gabor数据量，提高了实时性，但同时也降低了车型识别的准确率。W.Sinatra等利用了PCA方法和加权LDA方法对机动车视频图像进行特征处理，PCA和LDA方法把图像高维空间变换到低维空间中，然后该文献利用复PCA方法将这些数据处理为统一的车型特征，并在最后利用支持向量机对车型进行识别，达到了较高的车型识别精度，但实时性较差，不适宜在实际中应用。