随着交通信息量爆炸式地增长,难以仅凭人工处理方式实现对其的管理,以系统化和智能化方式对交通数据进行的操作的智能交通系统逐渐在现代交通管理中占据了重要地位。车辆作为交通中的一个重要组成成分,要完成整个系统的智能化管理,使用各种现代技术处理车辆数据是智能交通中不可或缺的一个重要环节。现阶段用于车辆检测与识别的技术中存在诸如处理计算量较大、效率较低等问题。针对上文中提到的车辆检测与识别技术中存在计算量大等问题,本文提出了以深度学习的方法对交通场景中车辆目标进行检测与颜色信息和车牌真伪识别的算法,使车辆的检测效率得到了大幅度的改进,并为后续车辆管理提供更加丰富的车辆信息。本文主要工作包括:1.基于YOLOv3神经网络模型,实现交通场景中车辆目标的检测。对于采用更深骨干网络Darknet-53,提取多尺度特征完成车辆目标检测的目标检测模型YOLOv3,通过采取适当的剪枝方式,使其能适应实际交通场景的需要,在达到车辆检测速度要求的同时,能够检测出包含足够多的,可以直接用于车辆信息识别的车辆前脸图像数据,不会产生数据浪费。通过与Faster R-CNN目标检测模型进行实验对比,证实文中所用方法可以在检测准确性和实时性上更胜一筹;2.设计一种基于深度学习的Multi Color-Net算法,实现对车身颜色的识别。针对YOLOv3网络的车辆前脸检测结果,在完成两个特征提取子网络RGB Net与HSV Net预训练的基础上,通过提取与拼接输入图像的RGB颜色特征与HSV颜色特征,利用分类子网络实现车身颜色的识别。通过在测试集上的测试结果展示,以及与Alex Net/Google Net等经典网络模型的对比实验均可以证明,文中所提出的颜色识别模型Multi Color-Net能够在维持较少计算量的前提下,以较高的识别准确率完成自然场景中车辆的车身颜色识别;3.通过两个神经网络模型实现对车辆伪车牌的识别。利用YOLOv3模型完成车辆前脸区域检测与车辆品牌的识别;利用深度学习模型Multi Color-Net完成车身颜色的识别;利用已有的车辆牌照识别模块完成车牌字符识别,最后结合车辆属性数据库中已有车辆牌照、车身颜色与车辆品牌等信息,通过多项属性信息相互验证的方式确定车牌的真伪。经验证,在复杂的实际交通情况中,可以在准确判别车牌真伪的同时,达到实时甄别车牌真伪的效果。本方案可以以端到端的方式,直接从输入图像学习特征,实现自然交通场景中车辆的检测、车身颜色识别与伪车牌的识别。其中,车辆前脸检测为车身颜色识别的前期辅助性工作,通过车辆前脸检测得到用于车身颜色识别的数据;伪车牌识别则是颜色识别工作的进一步延伸。文中在真实数据集上计算所得的实验结果表明,文中提出的方案相对于已有的检测与识别方法,能够取得较高的准确率与鲁棒性,同时保持较低的计算复杂度,满足实际需求。