卡口图像车辆检索一直是智能交通领域研究的重要课题,随着图像处理和模式识别技术的不断发展,基于深度学习的车辆图像检索方法已经成为研究热点。车辆检索一般是指先从卡口拍摄的车辆图像中将目标车辆图像块检测出来,再对其进行相对应的车辆图像检索工作。本文对图像中的车辆检测车辆检索算法分别做了研究,主要针对卡口车辆图像检测和卡口图像车辆检索这两方面的准确率进行了改进,具体的研究工作如下:(1)描述了当前卡口车辆图像检测的现状,分析了其中的难点,并对常见的图像检测方法的研究现状进行了阐述,总结了卡口车辆图像检测的难点,针对全局信息没能全部挖掘的问题,提出引入全局语义结构信息,同时结合局部和全局信息进行车辆定位,从而提出了一个基于结构感知的全局与局部相结合的上下文网络。通过对比分析突出了局部和全局信息融合定位网络算法用于卡口图像检测的优势。介绍并讨论了 Faster R-CNN、Cascade R-CNN等几种常用的深度学习目标检测算法之后,我们最终选择基于Hourglass模型的改进网络应用于最终的检测模型。(2)介绍并对比了 SPOC、NetVLAD、GeM、MAC四种特征编码的特点。在对比了几种常见的损失函数之后,提出一种考虑数据不平衡性的四元损失函数,并在此基础上,针对检索过程中存在负样本较多的问题,提出一种基于结构感知的四元损失函数。(3)验证本文所提出的检测方案和编码方案分别在不同骨干网络、下采样方案、损失函数下的对比试验,从而验证本文算法的鲁棒性,并测试模型在具有相似特性卡口车辆图像上的检索性能。实验结果表明,改进后的卡口图像车辆检索模型能够获得较高的检测性能,最终取得了 97.66%的mAP(平均精度均值)性能指标,可以实现对自然场景下卡口车辆图像的检索。