车辆图像检索技术是智能交通系统中较为重要的一部分,通过将图像处理技术和模式识别技术相结合,以达到对目标车辆的快速检索。在实际道路交通问题上,由于受环境等客观因素影响,电子眼抓拍的同一车辆图像在不同路口通常显示不同的信息,这往往导致了车辆局部特征发生改变。同时,一些人为因素如车牌遮挡、假牌等也导致车牌号码难以识别,这些问题使得车辆图像的检索效果较差。除此之外,城市道路每天产生数以万计的车辆图像,如何在海量的车辆图像库中进行快速检索也是一个难点。针对以上问题,通过分析车辆图像细节信息分布以及对一些特征提取算法的研究,提出了一种基于CNN-ASIFT的车辆分级检索技术。首先,研究了CNN算法原理,对较为成熟的AlexNet模型进行研究,并依据此模型给出一种基于CNN的车型识别方法。通过设计车辆样本库以适应模型训练,改变模型参数进行实验分析,结果证明不同训练批次的大小对模型识别准确率有一定的影响,同时给出的CNN车型识别方法准确率达到90%。其次,提出了车辆图像关键点多特征融合技术,并据此提出一种基于ASIFT的车辆检索算法。通过图像增强技术增加车辆图像SIFT关键点数目,将HSV颜色特征和LBP纹理特征加载到关键点上,避免了非兴趣区域的特征提取,同时模拟仿射变换提取ASIFT特征,将三种点级特征融合构建关键点特征描述向量,并利用最近邻查询技术进行特征匹配。通过调整最近邻查询策略进行错误匹配对的剔除,然后基于斜率分布剔除法对关键点错误匹配对进一步剔除。依据目标车辆图像与待查询图像关键点匹配数排除干扰车辆,以实现车辆的检索。实验表明,多特征融合技术有效降低了关键点错误匹配占比,同时提出的基于ASIFT的车辆检索算法将平均查准率提高到77.36%。最后,将基于CNN的车型识别和基于ASIFT特征的车辆检索进行结合,构建CNN-ASIFT车辆分级检索模型。实验结果表明,本文提出的方法在平均检索查准率上提高到80.58%,查全率为91.45%,综合指标提高到86.87%。同时检索运算量减少了80%。