车型识别是车辆管控系统中的一个重要研究课题,本课题亦是企业委托研发项目中新产品的核心技术之一。本文以车脸区域为目标,重点研究不同品牌下精细车型的车辆识别算法,主要工作有:●车脸区域切割。车脸区域的形状和结构信息特征能够表达不同品牌下的精细车型。我们先从原始道路交通图像中检测车牌信息,然后通过定位出的车牌位置信息在原图中切割出车脸区域。车脸区域是后续研究的主体对象。●车脸特征提取与识别。针对车脸区域,我们沿两条技术路线进行了车脸特征提取与车型的识别分类。第一条路线是提取车脸的结构性特征,然后采用SVM方法进行分类。第二条路线是采用深度学习方法同时完成特征提取与车型的分类。采用的结构性特征有三种:HOG特征、SIFT特征以及局部区域模板特征。HOG特征能较好地表达车脸的梯度边缘信息;SIFT特征对于图像的尺度缩放有良好的适应性;而通过匹配车脸局部区域与预定义模板得到的局部区域模板特征可以很好地表达诸如车灯等的形状信息。在车型识别环节中,通过多分类SVM算法训练出识别模型并以训练好的模型对目标进行识别。在第二条路线上,我们采用深度学习方法,分别研究了单层学习表达和多层深度学习网络两种方式。通过单层学习与多层网络实现特征学习与网络训练,并分别以训练好的模型对车脸区域目标进行车型识别。●车型识别的决策融合。以上我们以不同的特征提取方式获得了不同的特征表达,再采用多分类SVM算法及深度学习训练出的识别模型,各自实现了对车脸目标的车型类别判定。在此基础上,为了进一步提高识别准确率,我们进行了多模型的决策融合。先将基于HOG特征、基于SIFT特征与基于局部区域模板特征三种方式得到的识别结果进行决策融合,再将此融合结果进一步与深度网络模型的识别结果进行融合。通过两次决策融合,车脸目标的车型识别准确率得到提升。本文用C++语言及Caffe框架实现了上述研究中的算法并形成精细车型识别系统的原型,并进行了大量实验分析以验证算法的有效性与实用性。训练与测试样本来自实际道路上企业采集的共计7800多个车脸图像,包含16个类别的车型。实验结果表明,基于结构性特征进行的多分类SVM决策融合算法的识别准确率为98.32%,多分类SVM融合结果与深度卷积网络模型在判定环节再次进行决策融合后,车型识别准确率提升为99.20%。