全文总字数：3688字
1. 研究目的与意义（文献综述）
随着科技发展,交通问题日益成为城市建设中的重要一环。因此智能交通系统(intelligenttransportation system ,its)应运而生。its旨在利用计算机的海量数据处理能力,为疏散交通拥堵提供解决方案,减轻城市道路监管方面的人力物力,使城市交通变得易于监管和调度。在视频中进行车辆追踪与再识别作为智能交通系统中的重要一环,成为了计算机视觉领域的研究热点。单摄像头中的车辆追踪已经有较多研究,而目前智能交通系统中的研究热点在于多摄像头中的车辆再识别与追踪问题。
车辆再识别(vehiclere-identification, re-id)起源于多摄像头跟踪, 用于判断非重叠视域中拍摄到的不同图像中的车辆是否属于同一车辆. 车辆再识别涉及计算机视觉、机器学习、模式识别等多个学科领域, 可以广泛应用于智能视频监控、安保、刑侦等领域。
对再识别的研究可以追溯到2003 年, porikli利用相关系数矩阵建立相机对之间的非参数模型,获取目标在不同相机间的颜色分布变化, 实现了跨视域的目标匹配。
2. 研究的基本内容与方案
（1）基本内容：车辆重识别的问题在城市监控中起着非常重要的作用，而由于拍摄角度，光照和图片模糊等问题，利用方向不变特征嵌入的方法，即根据车辆前、后、左、右四个方向，利用深度卷积网络分别提取四个特征向量，根据拍摄角度给予每个方向不同的权重，然后将四个特征进行融合得到方向不变特征向量，以此来捕获车辆的外观信息，这样可以更好地区分显示相似外观的不同车辆，实现精度较高的车辆重识别效果。
（2）目标：研究交互聚合网络（IANet）用于车辆识别的可行性，并对比其相对于传统CNN的优势。
（3）技术方案及措施：IANet由两个模块组成：空间互动和聚合（SIA）和渠道互动和聚合（CIA）。与CNN提取具有固定几何结构的特征不同，SIA会根据输入的人像的姿势和比例来自适应地确定接收域。更具体地，给定来自CNN的中间特征图，SIA生成空间语义关系图以发现不同图像位置之间的两种相互依赖关系：具有相似特征表示的位置具有较高相关性的外观关系，以及彼此靠近的位置趋于具有较高相关性的位置关系。与CNN中独立假设来自不同渠道的特征不同，CIA显式地对渠道之间的语义相互依赖性进行建模。特别是，对于容易从CNN的高级功能中消失的小规模视觉提示（例如包），CIA可以在所有渠道上有选择地汇总视觉提示的语义相似特征以体现其特征表示。这两个模块在计算上都是轻量级的，模型复杂度仅略有增加。他们可以轻松插入任何深度的深CNN中。可将IA块添加到ResNet-50中生成人际互动和聚集网络（IANet）reID。3. 研究计划与安排
2019.12.27-2020.01.07选题：选择自己感兴趣的课题，积极与老师联系，确认选题。
2020.01.08-2020.02.02 自学机器学习和深度学习相关理论，熟悉python语言。
2020.02.03-2020.02.23检索与选题相关的论文，认真仔细阅读，并撰写文献摘要，了解车辆识别领域的最新研究方向以及技术方案。再筛选出一篇关于re-identification的外文文献，将其翻译为中文，翻译的同时获得对技术方法的深入理解。
4. 参考文献（12篇以上）
[1]张强, 李嘉锋, 卓力. 车辆识别技术综述[j]. 北京工业大学学报, 2018, (3):382-392.
[2]matiur rahman minarand jibon naher. recent advances in deep learning: an overview. corr,abs/1807.08169, 2018.
[3]彭清,季桂树,谢林江,张少波.卷积神经网络在车辆识别中的应用[j].计算机科学与探索,2018,12(02):282-291.
