随着现代交通的迅猛发展，交通拥挤和堵塞现象，停车设施不足和停车难问题，城市交通安全问题日趋严重，传统解决方式的局限性使得智能交通系统的发展越来越迫切，车辆检测技术在现实生活中慢慢得到了广泛的应用，成为计算机视觉与模式识别技术在智能交通领域的重要课题之一。而卷积神经网络近几年在计算机视觉、图像处理等领域取得了许多突破性的成果，极大提高了物体检测和图像识别的水平。因此，本文将卷积神经网络应用到车辆检测中可以取得很高的准确率。

车辆检测是目标检测的一个分支，目标检测的任务是确定图像中有无感兴趣的目标，并给出目标的具体坐标。车辆检测可分为基于图像的车辆检测和基于视频的车辆检测。本文主要是对车辆进行检测标记位置并对车型进行身份识别。国内外基于图像的车辆检测方法主要分为模板匹配和依据统计模式的方法。前者有一个常见的例子就是根据车辆的边缘特征，这种方法特别依赖设计者先验知识，若是检测图像发生了旋转或者只有局部车辆图，就没法适用。而后者相比前者，具有更好的鲁棒特性。基于视频的车辆检测是利用摄像头采集得到的视频作为输入对象，分析帧与帧间的联系，然后得到该车辆的一些位置，车速，车型等信息。基于视频的车辆检测室在基于图像的检测的基础上，利用视频流的帧连续性实现车辆检测，主要采用帧差算法、边缘检测算法和背景差算法实现对车辆数量、类型、车流量、车流密度、平均车速以及交通事故检测等的检测，其中背景差算法使用最多。

卷积神经网络是深度学习在图像处理领域的应用。卷积神经网络来源于视觉神经机制的应用启发，我们希望借助于计算机来处理分析以及识别图片中的内容，卷积神经网络在图像识别领域因为其超高的准确率，接近人工标注的了，在各个领域得到了广泛的应用。1962年，Hubel和Wiesel提出了卷积神经网络这个概念，得益于他们在研究生物的神经元时发现它独特的网络结构可以很有效地降低反馈神经网络的复杂性。卷积神经网络将图像直接作为网络的输入，不需要过多的进行预处理，又因为权值共享、局部连接等有效降低了模型的复杂度，基于卷积神经网络的车辆检测具有很好的结果。

目前车辆检测技术还存在许多难点需要攻破。比如，光照条件对于帧差法这种需要考察前后帧关联的算法影响很大；还有针对目标被背景下的物体遮挡，目标发生形变，和多个目标重叠之类的遮挡问题，遮挡程度越高，检测信息的丢失就会越来越严重；在复杂场景中，例如，暴雨、大雾或者风沙，对于目标的检测就会被严重干扰，造成较大的偏差，所有背景复杂度对检测的干扰也是我们需要攻克的难题。总之，国内外对于车牌检测在智能交通方面的相关研究还任重道远。

2. 研究的基本内容与方案