La investigación sobre la re-identificación de vehículos (Re-ID) se ha intensificado a medida que se han logrado numerosos avances junto con el rápido desarrollo de la re-ID de personas. En este documento, abordamos el problema de Re-ID de vehículos en escenarios abiertos. Esta investigación difiere de los estudios de etapas tempranas que se centraron en una vista específica, y enfrenta más desafíos debido a variaciones de vista, cambios de iluminación, oclusiones, etc. Inspirados en la investigación de la re-ID de personas, proponemos aprovechar la vista de postura para mejorar el rendimiento de discriminación de características visuales y utilizar puntos clave para mejorar la precisión del reconocimiento de postura. Sin embargo, la información de apariencia visual sigue estando limitada por los entornos cambiantes y las apariencias extremadamente similares de los vehículos. Hasta donde sabemos, pocos métodos han sido conscientes de la información espacio-temporal para complementar la información de apariencia visual, pero descuidan la influencia de la dirección de conducción. Considerando la característica peculiar de los movimientos de vehículos, observamos que las posturas de los vehículos en las vistas de cámara que indican sus direcciones están estrechamente relacionadas con las señales espacio-temporales. En consecuencia, diseñamos un marco de dos ramas para la Re-ID de vehículos, que incluye un modelo Visual de Incrustación de Postura basado en Puntos Clave (KPEV) y un modelo Espacio-Temporal Guiado por Postura basado en Puntos Clave (KPGST). Estos modelos se integran en el marco, y los resultados de KPEV y KPGST se fusionan en función de una red bayesiana. Experimentos extensos realizados en los conjuntos de datos VeRi-776 y VehicleID relacionados con escenarios de vigilancia urbana funcional demuestran el rendimiento competitivo de nuestro enfoque propuesto.