基于CNN的车辆目标检测与车型分类研究

吴乐平，窦祥星

（南京旭上数控技术有限公司，江苏南京，211100）

0 引言

车辆检测和车型分类具有广阔的应用前景，例如，车辆类型分类已广泛应用于智能交通系统中的交通流统计，并且在解决城市车辆管理，城市交通管制等问题中发挥着关键作用。

交通车辆监控中常见的车辆检测与分类方法主要有基于传统SIFT特征提取方法实现特征匹配分类，采用基于Harris特征与SIFT特征结合的方式实现车型识别[1]，采用空间金字塔特征并结合Adaboost分类器的方式对车辆进行检测[2]；基于高斯混合模型的移动车辆检测方法，通过粒子群编码，采用粒子群与云模型的混合模型实现车型分类；基于车牌分类方法[3]，基于方向梯度直方图特征（HOG）的SVM监控视频分类方法。通过使用车前轮廓，挡风玻璃，后视镜和车牌的特征来实现车辆类别分类[4]。

虽然上述算法在目标检测分类任务中已经取得了良好的效果，但由于一些不同车型具有相似的外观特征，而且车辆识别尺度只在车辆目标分类层面，并且只能实现对特定角度拍摄的车辆图像进行检测和分类，上述方法难以满足车辆检测识别要求。本文提出的基于Faster R-CNN的卷积神经网络车辆检测和分类方法满足了道路车辆检测分类的要求[5]，实现从不同角度检测车辆，并对车辆进行检测和分类。

1 车辆数据集的构建与分析

为了验证模型在车辆分类测试中获得更好的泛化能力，车辆分类系统需要能够识别在不同的颜色，视觉和场景下的同类型车辆。……