La reidentificación de vehículos (Re-Id) es el módulo clave en un sistema de transporte inteligente (ITS). Debido a su versatilidad en su aplicabilidad en ciudades metropolitanas, esta tarea ha recibido cada vez más atención en estos días. Su objetivo es identificar si un vehículo específico ya ha aparecido en la red de vigilancia o no. Mayormente, los métodos de Re-Id de vehículos se evalúan en un solo conjunto de datos, en el cual el entrenamiento y la prueba del modelo se realizan en el mismo conjunto de datos. Sin embargo, en la práctica, esto afecta negativamente la capacidad de generalización del modelo debido a conjuntos de datos sesgados junto con la diferencia significativa entre los datos de entrenamiento y prueba; por lo tanto, el modelo se debilita en un entorno práctico. Para demostrar este problema, hemos mostrado empíricamente que los conjuntos de datos actuales de Re-Id de vehículos suelen estar fuertemente sesgados. En este sentido, también realizamos un estudio exhaustivo en el cruce y el mismo conjunto de datos para examinar el impacto en el rendimiento del sistema de Re-Id de vehículos, considerando los métodos existentes. Para abordar el problema, en este documento, hemos propuesto un enfoque con la ampliación del conjunto de datos de entrenamiento para reducir la influencia de la pose, el ángulo, la respuesta de color de la cámara y la información de fondo en las imágenes de vehículos; mientras que los patrones espacio-temporales de conjuntos de datos de destino no etiquetados se aprenden mediante la transferencia de clasificadores de redes neuronales siamesas entrenados en un conjunto de datos etiquetado fuente. Finalmente, calculamos la puntuación de similitud compuesta de los patrones espacio-temporales con características visuales del clasificador basado en redes neuronales siamesas. Se examinan experimentos extensos en múltiples conjuntos de datos y los resultados sugieren que el enfoque propuesto tiene la capacidad de generalizar adecuadamente.