道路车辆智能检测记录系统是一种设置在固定地段、对来往车辆实时拍摄记录的道路交通监控系统。目前道路治安案件特别是肇事逃逸、盗抢车辆呈高发态势,提高道路车辆智能检测记录系统性能可以很大程度上减少此类案件发生。快速识别嫌疑车辆是检测记录系统智能化的主要研究领域,图像检索技术是解决该类问题的一种新兴方法,建立一个车辆检索系统,快速查找嫌疑车辆具有很实际的使用价值。本课题设计的车辆检索系统是通过提取嫌疑车辆的窗台摆设、挂饰、张贴物等显著性标识物实现对嫌疑车辆检索识别,标识物特征信息输入检索系统后算法能自动识别出含有这些对象的车辆。本文对算法分两个部分进行研究,第一个部分是基于卷积神经网络的车辆检测;第二个部分是基于词包模型的图像检索识别。论文的研究工作以及创新点成果如下:(1)分析对比几种常用卷积神经网络,并对目标检测网络YOLO进行参数调优,采用交通部门提供实地卡口车辆图像集训练车辆检测网络模型。为了确保车辆检测率不被影响,加快车辆检测速度,网络做了如下改进:使用浅层网络进行迁移学习,借用Inception-v3滤波叠加机制增加细粒度提高车辆检测定位性能。(2)研究基于内容的图像检索框架及流程,特别是对其中的特征提取、特征量化、索引结构做详细分析。分析对比几种匹配识别算法,实验表明基于视觉词典采用近似最近邻法建立倒排索引以及二值特征融合方法能够取得较好性能。针对SIFT特征仅仅描述局部梯度分布信息,提出了基于组合索引(d-MI,double multiple index)结构实现索引级别SIFT、颜色特征融合,并采用嵌入双二值化特征编码来提高检索识别精度,通过实验证明改进方法既加快检索速度也提高了检索精度。(3)自建了一个可供嫌疑车辆识别的车辆图像挡风玻璃区域图像集。设计及实现一个基于d-MI的嫌疑车辆检索系统软件,通过功能测试以及性能测试,表明改进算法能够满足车辆检测、嫌疑目标识别的实际要求。