摘 要

车型识别是智能交通系统的一个重要的研究方向，它的实现将图像处理、模式识别、人工智能、以及计算机视觉等学科综合应用于一体的一项艰巨的任务。目前，通过对车型识别的研究工作，己经有一些成熟的产品，这些产品主要应用在公路收费系统、交通调查等特殊地方，实际大规模应用的还很少，主要受环境影响较大，因此如何准确快地对车型进行识别，是智能交通系统的首要任务。

本文采用基于图像的目标识别方案实现车型的识别。但由于目前缺少实验所需的公共数据库，本文将从网上寻找相关图集以保证数据库的多样性。最终建立的车型数据库包含轿车、客车和货车的训练样本以及测试样本。

本文研究了特征提取方法和分类器。首先构建需要研究的车型图像训练库，再利用本文提出的卷积神经网(Convolutional Neural Network，CNN)自主提取特征，最后结合SVM算法训练车型分类器进行分类。

本文给出了卷积神经网络构建的大致流程，如网络层数选择、卷积核大小确定、激活函数的选取等，最后得到适合车型识别的神经网络，通过训练后，测试得到最终效果。

关键词：车型识别、卷积神经网络、特征提取、分类识别

Abstract

Vehicle recognition is an important research direction in intelligent transportation system, its implementation will image processing, pattern recognition, artificial intelligence, and comprehensive application fields, such as computer vision, which integrates a daunting task. At present, through the research work of vehicle recognition, has some mature products, these products are mainly used in highway charging system, traffic survey and other special places, large-scale application is very few, mainly are greatly influenced by the environment, so how to accurately fast to identify models, is the first task of intelligent transportation system.

In this paper, image - based object recognition scheme is adopted to realize vehicle identification. However, due to the lack of public database needed for the experiment, this paper will look for related atlas from the Internet to ensure the diversity of database. The resulting model database includes training samples and test samples for cars, buses and trucks.

This paper studies the feature extraction method and classifier. First build a model to research on image training library, using convolution Neural Network proposed in this paper (Convolutional Neural Network, CNN) independent feature extraction, finally combining the SVM classifier to classify algorithm training model.

Convolution neural network are given in this paper to build the general processes, such as network layer selection, the convolution kernels of choosing, activation function, such as size, the result was suitable for vehicle recognition of neural network, through the training, test to get the final result.

Key Words：vehicle type identification；CNN；feature extraction；classification

目 录

第1章 绪论 1

1.1研究背景和意义 1

1.2 车辆识别的国内外研究现状 2

1.3 本文主要内容和结构安排 3

第2章 卷积神经网络结构设计 5

2.1神经网络概论 5

2.2卷积神经网络结构设计 6

2.3神经网络的训练模型设计 9

2.4卷积神经网络训练算法研究 13

第3章 基于卷积神经网络的车辆类型检测 15

3.1车型识别架构 15

3.2车辆特征提取 16

3.3分类识别 17

第4章 CNN车型检测系统仿真及分析 20

4.1 训练和测试环境 20

4.2测试结果分析 20

4.3小结 22

第5章 总结与展望 23

5.1课题总结 23

5.2课题展望 23

致 谢 24

参考文献 25

第1章 绪论

1.1研究背景和意义

随着智能化时代的到来，人们对于车的需求量也越来越大，据交通部门的统计，机动车的数量已到达3亿多辆，也就是说平均每5人就有一人拥有一辆车。目前环境污染，交通安全问题日趋紧张，所以对道路车辆的控制与行驶方式的调整是交通部门所要研究的重点^[1]。

结合当今信息时代的快速发展，道路交通问题的解决方案也逐渐明朗，即智能交通的形成。智能交通是科技与信息的产物，它结合了道路管理、视频图像识别、模式识别和最近非常流行的深度学习等。

智能交通系统需要尽可能地减少人工操作，并能自动完成车辆检测和各种感兴趣内容的识别和判断，并及时响应道路交通的各种情况。这一技术在道路的管理和规划上有很重要的意义，受到交通部门的高度重视，将可能有效地缓解交通压力。

就目前而言，智能交通在车辆识别方面相比以前有了很大的改善，如车牌识别就在道路交通上有了很成熟的应用。虽然有效地缓解了交通上超速，乱闯红路灯，堵塞等问题，但并没有在根源上解决。比如出现的车牌污染和套牌现象，只通过车牌识别是远远不够的^[2]。所以本文提出了基于卷积神经网络的车型识别，该方法的好处是不需通过车牌来确认车辆，而是对整个车的外形进行识别，比如车长宽高，轴距等固有特征。这就避免了让那些利用套牌车来违法犯罪的行为。

车辆类型识别主要对车辆图像进行分析，自动提取车辆信息并与车型数据库进行对比，最终确认车辆类型。该方法现主要用于高速公路收费站，封闭式的校园、小区等重要场所^[3]。

在普通道路上，车型识别主要依靠摄像头所获得的视频来确认的，所以基于视频的车型识别也是研究的重点。随着要处理的数据的增多，车型识别在速度上的劣势也逐渐显现出来，所以传统的方法不再适用。如今深度学习迎来一股热潮，所以基于卷积神经网络的车型识别有很大的研究意义。

所以，车型识别的研究拥有广阔的应用前景，可以应用于计算机视觉，无人车等高新技术领域。

1.2 车辆识别的国内外研究现状

基于卷积神经网络车辆类型检测是在图像中对车的特征区域进行提取，除掉背景部分，最后对特征部位进行分类识别得到结果。该方法相比于传统的车型识别，通过神经网络深度学习，会更加快速高效。

目前的研究的难点主要表现在环境问题上。比如由于光照等因素的影响，拍摄的车辆图片或视频存在有分辨率低的问题，导致不能对图像的特征进行有效的提取。

当前的车型识别技术可以从实现的设备条件分为基于传感器的物理识别和基于图像处理的识别。

（1）前一种识别方式是需要配置一定的设备，该方法实现条件比较高，并且成本也高，但贵在精度好。当前流行的方法有如下几种。红外线检测法：车辆在经过放有红外检测装置的路口时，红外检测装置会对车身的各个部位形成不同的反馈，这些信息被装置接收后进行处理分析，最后得到车辆的相关信息，如车长、车高、车辆轮廓、轴距等。由于不同类型的车辆在这些信息上有比较大的区别，所以可以根据这些信息进行车型识别。但由于该装置对环境要求比较高，此种方法不适用于普通道路的广泛使用^[4]；另外有射频识别检测法：射频识别技术由一个应答器，阅读器和一些处理器构成，该技术多用于门禁系统、收费站等地。在射频识别的应答器中，存有所用相关车辆的信息，当车辆靠近门禁系统或收费站设置的阅读器时，阅读器收集信号并发送给处理器处理，最终识别出车辆。但该技术只能识别系统中已有的标签，如果车辆有些改变就无法识别，这些都提高了该技术的难度^[5]；还有一种地感线圈检测法：该方法是在道路下方设置电流感应装置，当车辆通过该装置或者停在其上时，车辆本身上的材质将会改变装置内的磁通，引起回路电感量的变化，检测器通过检测该电感量的变化来判断通行车辆状态，当然不同型号的车辆引起的电感量是不同的，所以可以根据这种变化识别车辆类型。这种方法准确率高，不受天气变化的影响，但同样成本较高，并且在车流量较大时会对处理识别的时间有很大挑战^[6]；而动态压电检测法与地感线圈检测法类似，在路面下方埋设压电检测器，对通过该装置的车辆进行识别，主要根据压电检测器的形变来分析出车重、车速等信息。运用这些信息与数据库对比得到相应车型。但该方法对车辆的状态要求比较高，比如车的载重情况，所以不适合实际的应用。

所以，这些依靠物理设备的车辆类型检测有精度高的优点，但设备受环境影响较大，不适合在环境差的街道，较适用于高速公路的收费站等设施较好的地段。