车标作为车辆生产厂家的标志信息,不易被更换且能够作为车辆身份的一种显著特征,在智能交通监管系统中有着极为重要的作用。并且,车标的检测和识别能更好地协助车辆管控和破案。目前,大量车标检测和识别方法被提出,这些方法已经应用在一些交通场景中。但是,由于车标的种类多样,检测和识别的场景较为复杂,使得这些方法在复杂场景下的鲁棒性和准确率不够高。本文提出一种基于类别一致性的车标识别深度学习算法,能够在多类别、复杂成像情况下依然保持较高的识别准确率。与现有的基于深度卷积神经网络的方法相比,本文提出了三方面的改进。第一,本文提出了一种车标特征提取网络,该网络将残差连接和密集连接的优点进行结合,能够高效提取和利用车标的深层和浅层的特征,在缓解网络退化的同时,也增加网络梯度的流动,从而促进网络的参数更新和学习,增强车标识别性能。第二,提出了一种类别一致掩码学习模块。该模块能够生成车标图像中包含类别一致性区域的二值掩码。在同一类别下,这种掩码能够分割出每张图片所包含视觉共性特征的区域。通过强迫卷积神经网络分割出类别一致性区域的方式来促进网络对车标关键特征的学习。第三,结合上述两个模块和分类器模块,本文提出基于类别一致性的车标识别深度学习算法。通过强迫网络在训练识别车标的同时,对类别一致性区域进行分割,从而促使网络关注各个车标类别中的关键特征,达到强化关键特征学习的目的。同时,为了验证本文提出的算法的有效性和优越性,本文在HFUT-VL1、HFUT-VL2、XMU、Comp Cars和VLD-45这五个公开数据集中与现有方法进行了实验比较。利用本文提出的算法,实现在这五个数据集上分别为99.56%、98.73%、100.00%、99.92%和92.63%的测试准确率。通过实验结果和对应的分析,本文提出的基于类别一致性的车标识别深度学习算法不仅能够增强本文提出的车标特征提取网络对关键特征的学习,而且同样适用于对比的其他网络,能够提高基于深度学习方法在车标识别中的识别准确率。本文提出的基于类别一致性的车标识别深度学习算法能够较好地从车辆标志图像和车辆正面图像中识别出车标类别,具有一定的研究价值和意义。