1．目的及意义
进入21世纪以来，伴随着我国经济的发展，社会机动车辆数目也呈现了不断上涨的趋势。路况拥堵、交通事故时有发生，正因如此，采集车辆信息、判别违章肇事车辆成为了智能交通环节中的重中之重。虽然车牌识别技术可以在大范围内高效、针对性地进行识别、监督，从而大幅度降低人力成本，提高监管效率，是目前智能交通系统中的核心技术之一。但是，在一些未配置高清摄像头的路口区域，监控并不能准确地捕捉到车辆的车牌信息。背景、环境较为复杂的区域也对车牌信息的识别有一定程度的影响。若车牌遭到污染或人为遮挡，仅凭车牌识别更是无能为力。这时，车标作为一个关键特征，在车辆的监控与追踪中可以起到辅助判别的效果。 关于车标识别，国内外已有一些研究人员尝试了各类方法，并取得了一定的成果。近年来很多基于视觉的智能交通系统应运而生，它们多是用于车辆信息的检测、追踪和识别，尤其是用于城市交通监控和高速管理系统。也正因为智能交通系统的广泛普及，车标识别问题在这些年来也受到了越来越多的关注。早期的车标识别方法大多以研究特征提取方法为主，分类方法则采用支持向量机(SVM)。如罗彬、Wang等使用了边缘直方图作为特征，王枚等使用主成份分析法(PCA)与不变矩对车标进行识别，这些方法相对简单，执行速度较快，但准确率较为一般，而且它们都是以人为提取特征为主。而卷积神经网络（CNN）是一种含有多层次结构的神经网络，每层由包含有独立神经元的一个二维平面组成，通过局部感受野策略和池化方法，CNN 可以提高其提取的特征对于旋转平移等变化的鲁棒性并降低计算规模。CNN 方法在手写字符识别和人脸识别领域已投入应用并有着优良的识别效果。受到 CNN 层次结构特征学习上的启发，本文中提出了一种基于 CNN 的车标识别系统。有别于手工设计的特征，CNN 结构的特征可以从原始图像中自动提取。相对于以人工提取特征为主的传统车标识别方法，该方法具有可自主学习特征，可直接输入图像等优点。实验表明这种歌方法正确率高，在光照变化和噪声污染下的准确性何稳定性较好，能够有效降低车标识别的错误率，并且这种方法能更好的缓解交通压力，同时也方便国家管控，降低了违法犯纪的可能。 {title}

2. 研究的基本内容与方案

{title}

内容：通过对图像的采集和处理完成车标的自动识别，让识别结果可按需求分别包括车标的图案，颜色等，最终完成车标定位的目标。

目标：希望无法进行车牌识别时，能通过车标图片识别出车辆，进而帮助我们进行统计车流，找出肇事车辆等。

技术：运用CNN，深度学习是模仿人脑进行分析学习的神经网络它试图模拟人脑的行为特征对数据经行分析和解释，CNN是深度学习的一种。

方案：1：首先要进行车标定位，将一张含有车辆的监控图片首先被转为灰度图像，再送入车标定位系统，系统将输出车标的角点坐标，根据这四个坐标我们就可以得到其上方含有车标的一个大致区域。

在该区域上我们采用相位一致性特征图由此，我们即将一副监控含有车辆的图片裁剪为了只含有车标的图片。

2：然后是CNN 的特征提取环节，在车标定位之后，我们获得了一个只含有车标的小尺寸图片，由于其拍摄光照、视角、背景等因素的多变性，我们需要提取的特征应该要具有很好的表征能力，而CNN 包含有的三种结构特性恰好能满足旋转、尺度和多类型形变的场景需求，这三种构架分别是：局部感受野、权值共享、池化下采样。

CNN 的特征提取环节是由多次交替的卷积层和池化层实现的，其思想是模仿人的视网膜感受神经。

3. 参考文献
1.http://lamda.nju.edu.cn/weixs/book/CNN_book.pdf：CNN入门2.斯坦福李菲菲：cs231n课程中的cnn部分。

3.duda：模式识别。

4.王天翼：基于卷积网络的三位特征提取[d].吉林:吉林大学,2006.5.王运琼，刘直芳，肖飞.基于对称性的实时车标定位和识别方法[J].系统仿真学报，2009.21(4):1905-11006.磨少清，刘正光，张军.基于图像质量和PCA子空间的车标识别方法[J].计算机应用，2010(8):2244-22607.Zeiler M D,Fregus R. Visualizing and Understanding Cnvolutional Neural Networks[C]//Computer Vision-ECCV 2014.2014:818-8338.Karpathy A,Toderici G,Shetty S,et al.Large-scale video classification with convolutional neural networks[C]//IEEE Conference on Computer Vision and Pattern Recognition(CVPR).20149.Lee,C.Ekanadham,A.Y.Ng.,Sparse deep belief net model for visual V2,in Advances in Neural Information Processing Systems(NIPS)20,2008.10.Lee,R.Grosse,R.Ranganath,A.Y.Ng."Convolutional deep belif networks for scalable unsupervised learning of hierarchical representations.",ICML 200911.Tang Z,Xian Y,Li B.Research of Vehicle Recognition Algorithm Based on Virtual Coil and Image Features[M]//Future Imformation Technology.Springer Berlin Heideberg,2014:367-37212.李星，郭晓松，郭君斌.基于HOG特征和SVM的前向车辆识别方法[J].计算机科学,2013,40(11A):329-33213.罗彬,游志刚,曹刚.基于边缘直方图的快速汽车标志识别方法[J].计算机应用研究,2004,21(6):150-15114.王枚，王国宏，房培玉.基于PCA与不变矩的车标定位与识别[J].武汉大学信息报：信息科学版,2008,33(1):36-4015.杨楠.基于Caffe深度学习框架的卷积神经网络研究［D］.石家庄:河北师范大学,2016．