车辆重识别技术也被称为车辆跨镜头追踪技术,其主要目的是从不同摄像头拍摄到的大量道路监控视频中检索属于特定车辆的全部图像。该技术需直接从车辆的视觉外观中提取到有判别性的特征,但是跨摄像头进行图像匹配时车辆图像往往来自于不同的视角,而在不同的视角下车辆的外观变化很大,因此跨视角匹配已经成为车辆重识别任务中一个重要的挑战:一方面,多个不同视角下同一车辆外观差异性大,导致车辆有着显著的类内差异;另一方面,同样的视角下,不同的车辆可能有相似的外观又导致车辆有微小的类间差异。这就要求车辆重识别模型提取的特征应同时具有很好的类间辨别性和对剧烈视角变化的鲁棒性。针对跨视角车辆重识别任务面临的挑战,本文提出了以下两种用于跨视角车辆重识别的方法:（1）基于视角相关超球面学习的跨视角车辆重识别算法首先,为了解决类间相似度大的问题,本模型中通过2-范数正则化将特征映射到超球面上以使其更具辨别性并使用超球面交叉熵损失函数和超球面相似度三元组损失函数来监督模型训练,同时进一步设计了一种有效的三元组损失中的样本选择方法以提升效果。其次为了建模车辆语义视角信息,论文收集并标注了一个车辆语义视角数据集以应对训练数据缺乏的问题,并训练了一个车辆语义视角的分类器以建模视角信息。最后,本文通过结合预测的语义视角概率和超球面特征嵌入方法,提取视角相关的超球面特征并设计了跨视角正交化限制,用于降低不同视角之间特征的相关性,以及一种基于注意力机制的全局池化方法,用于辅助模型提取更有效的特征。（2）基于多中心度量学习的跨视角车辆重识别方法由于有监督学习获取车辆视角信息的方法有很大程度上依赖于数据标注,因此本文中采用了一种无需视角相关标签的无监督方法建模视角信息。首先,本方法采用了一种类内多中心的结构来建模车辆内部的隐含的多个不同视角,其次设计了类内度量损失函数和跨视角中心限制以及类间度量损失函数和跨车辆中心限制,以解决在该特征空间中的类间跨视角匹配的问题和跨车辆匹配问题。最后本方法将两者结合在一起设计了多中心度量学习损失函数,通过联合优化使模型能有效提取类内与类间信息,获得多视角环境下鲁棒的特征。本文中针对车辆重识别中的跨视角匹配问题分别提出了有监督和无监督的两种算法以建模车辆视角信息。实验结果表明,本文提出的方法切实有效,提高了车辆重识别模型的匹配性能。