定位和识别视频图像中的车辆,对于实现智能交通监管有重要意义。如果能测算车辆尺寸、颜色等信息,则可以按照各已知车型的数据进行精确的匹配,在交通监管、疑犯追踪等领域有较好的应用价值。本文计划进行识别原型系统的设计实现,并对识别方法中轮廓、阴影等误差进行改进。本文学习了车辆识别的研究现状和主要方法,在此基础之上,运用有物体检测、实例分割等功能的卷积神经网络进行对车辆的识别,用多视图几何的方法计算和获取图像中车辆的信息,并设计实现了一套自动检测和识别视频、图像中经过车辆、提取主要特征信息的系统。本文的主要研究工作及成果如下:(1)研究了物体检测、追踪、实例分割、多视图几何等领域的发展历史及研究现状,并根据设计需求和计算能力等因素选取开源软件框架实现以上的目标,包括选择tensorflow深度学习框架完成识别功能,opencv做视频、图像的读取和处理,openmvg实现多视图几何对场景的重构。(2)本文计划解决的核心问题是对车辆的识别、实例分割、尺寸测算等。本文选择使用mask R-CNN网络框架实现了识别的功能,并针对车辆的识别,通过自标注数据集的迁移学习训练对网络进行调整和改进;使用多视图几何、相机模型、投影矩阵等知识实现对车辆尺寸的测算。(3)本文通过多视图几何的方法,基于开源的线性代数库、多视图几何的计算函数库等,实现多幅视图对模型进行重构,增强了计算结果对于图像中测量误差、阴影等误差的包容性。