1.目的及意义

人们生活水平不断提高，汽车越来越普及化的情况下，现代交通工具与日俱增，国内汽车市场火爆，汽车成为了人民生活的主要工具，这些交通工具给我们的日常生活带来了便捷，但同时，也带来了各种各样的问题，比如行车安全、交通堵塞和乱闯红灯、超载、超速等一系列的问题。在面对当下繁重复杂的道路交通管理，仅仅依靠传统的道路基础管理设施是无法解决当前的问题。在计算机，人工智能大发展的时代下，为了解决当前的道路交通管理问题，开发出了智能交通系统。

智能交通系统是综合学科的结合，把先进的科学技术，通信技术、自动控制理论、运筹学、信息技术、电子控制技术、传感器技术、计算机技术、人工智能等有效地综合运用于道理交通管理，实现高效，安全的管理方式。在常态下，能够大大减少了人力物力，降低管理成本。21世纪将进入公路交通智能化时代，将充分利用道理智能管理系统实现道理管理控制。

车辆识别是智能交通系统的一项关键技术。在实际生活中应用广泛，比如居民小区，监测车流量，高速公路收费管理等等。但是在实际的生活中，车牌的信息是由摄像头扑捉的。由于扑捉的信息可能出现扭曲，遮蔽，光照不清晰和假牌车，套牌车的出现，在很大程度上给车牌的识别带来了困难。为了提高车辆识别系统对车辆识别的需求，车标包含了厂家信息，对车标的识别至关重要。同时，把车牌信息和车标信息进行结合，更加有利于车辆信息的识别。作为车辆识别的重要组成部分，车标识别成为了近几年的热门研究方向，车标所包含了制造厂家信息，不易更改等特点。车标识别使用了图像处理，模式识别，人工智能等技术，实现车标的自动识别。

对于当前车标识别技术大部分都是使用传统的方法，结合传统的分类器进行分类，在自然环境下采集到的车标样本，具有模糊，形变，遮挡，扭曲等特点，对于传统的方法进行车标特征的提取，效果并不是很好，车标识别效果不是很理想，并且实验复杂度大，时间长等特点，不利于用于当前日益增长的车量识别现状，应用价值相对较低。近来，深度学习技术的持续火热，运用到车标识别中，使得车标识别更加的简单高效。深度学习更能够模拟更加复杂的函数，具有强大的学习能力。

卷积神经网络是一种模拟人脑的运行机制的网络，能够自动的学习图像特征，进行分类。卷积神经网络具有权值共享，子采样等特点，使得提取的特征具有平移，形变不变性，能够更加高效的提取车标的特征进行分类，与传统的方法进行比较，具有明显的提高。当前车标识别并没有像人脸识别，手写体识别具有公开的训练数据集和测试数据集，只能由实验者亲自采集，样本量小，而对于小样本数据集，卷积神经网络的训练会出现过拟合现象，所以研究在小样本数据集下卷积神经网络的训练也是很有价值的。

2.国内外现状

2.1车辆识别

在车辆识别系统中，车标识别所涉及到的图像是摄像机在自然环境下拍摄得到的，采集到的车辆图像背景复杂，易受其他因素的影响，比如光照、遮挡等，这也造成了车标识别困难，这些也都是当前车标识别的所面临的问题。对于怎样选取特征，用何种分类器进行车标图像的分类至关重要。

为了解决车标识别面临的问题，国内外的学者提出了很多如下的方法。