随着智能技术的进步，交通科技也得到了提高，本篇科技论文对机动车车型智能识别技术进行研究，提出系统建设目标及核心算法，分析其自动识别方式和办法，对公安案件侦查部门，智能交管、智慧城市具有重要意义。

　　推荐期刊：《应用科技》获教育部"中国高校特色科技期刊奖";获工业和信息化部"编辑质量优秀奖;并被《剑桥科学文摘社ProQeust数据库》收录。《应用科技》创刊于1974年，是工业和信息化部主管、哈尔滨工程大学主办的学术期刊，月刊，国内外公开发行(国际标准连续出版物号ISSN1009-671X，国内标准连续出版物号CN23-1191/U)，邮发代号14-160。

　　关键词：车型识别;DeepLearning;多角度;3D建模

　　随着视频监控资源覆盖程度的逐步提高和犯罪形态的日新月异，加强视频监控信息的深度应用成为公安机关强化社会治安防控的重要措施。本文针对实际工作中涉案机动车辆视频信息分析面临的问题，探讨机动车车型智能识别技术及其应用。

　　1需求分析

　　机动车车型检测与分类识别涉及计算机、模式识别、人工智能以及应用数学和生物视觉等技术。目前，已有一些公司从事该项技术研究，但真正投入实际应用的成果并不多，现有技术仅可分离大型车、小型车等，不能完成复杂的车型比对及特征提取要求。受自然环境影响，特别是光照的影响，车身颜色偏离的变化大，难以辨认，难以满足各类检测算法。同时，对摄像机位置和角度的要求也较高，从不同角度所摄的汽车特征差别较大。当前，汽车企业层出不穷，同时代不同厂商的车型相似，已有自动识别技术无法完全准确地区分相似度很高的车型。

　　大部分公安工作都会涉及车辆视频信息，面对海量信息仅依靠人工处理，不但费时、费力，而且容易出现疏漏，还可能错失案件处理最佳时间[1]。目前，机动车辆检测技术、运动目标跟踪监测技术已趋于成熟，实现了产品化，一些厂商推出了针对侦查破案的视频分析工具产品。

　　系统开发过程中需解决以下关键问题：①多车辆的特征同时提取。目前，复杂背景、多车辆的检测较容易实现，但是多车辆的特征同时提取比较困难，实现多车辆特征同时提取，对后续分类识别、跟踪有很大帮助;②复杂环境下车辆识别。天气、光线等对车型、颜色识别准确率的影响很大，如何降低天气条件的影响，增强系统的自适应性，是汽车分类识别的关键[2];③目前市面车型过多，收集全所有车型，尤其是较少见车型及进口车型图像信息较困难，后期系统维护必须及时快速，否则会降低系统的准确度。

　　2相关技术

　　目前，车辆识别方法主要有以下几种：①基于模板匹配的识别方法;②基于统计模式的识别方法;③基于神经网络的识别方法;④基于仿生模式(拓扑模式)的识别方法;⑤基于支持向量机的识别方法[3]。本文在分类识别中引入当前热门的深度学习机制，提出车型识别算法。

　　2.1DeepLearning(DL)

　　在车型识别工作中，特征提取极为关键，直接决定了识别准确率。DeepLearning概念源于人工神经网络研究，别名 UnsupervisedFeatureLearning。顾名思义，Unsupervised就是不需人工参与的特征选取过程，是计算机识别技术的理论成果，成为近几年来的研究热点[4-5]。本文采用Deep-Learning思想，在初始标定数据的基础上，展开自顶向下的监督学习，逐步微调，接近全局最优，以最小的人力解决最为繁冗的工作。

　　2.2车型3D建模

　　以往车型识别算法，对角度、方向的自适应性较差，很小角度的更改可能导致识别正确率的大幅降低。通过试验，如果对车辆进行不同角度(目前暂使用前、侧、背、顶4个角度，见图1)量化和3D建模，并对角度、位置进行不断修正，可以帮助解决由于角度位置带来的识别正确率大幅降低的问题。

　　此外，需要建立复合式的车型特征提取方法，解决车型识别中单一特征的局限性;构建基于深度学习的车型比对方法，加强车型识别中的分类精度;形成海量车型数据的云处理平台，提升数据管理质量和效率。

　　3系统建设目标

　　(1)建库。建库是所有算法和智能分析的基础，需要建立大型车型库，以供分类查找。

　　(2)实现车型比对算法。在建立准确车型图像库的基础上，实现车型比对算法。并通过DeepLearning方法，不断提升识别准确度。

　　(3)嵌入原有分析系统，实现车辆图像叠加组合算法。实现车辆类别(大、中、小型车等)、颜色、车型、车辆用途(出租车、私家车等)等组合验证算法，提高识别率。

　　(4)车辆多角度建模。建立部分涉案较多车辆车型库，研究拍摄角度对车辆识别准确率的影响。

　　4系统实现

　　4.1系统模块模块设计

　　系统模块(见图2)包括：①基础数据管理模块;②车型原始图片分类查询模块;③车辆综合信息查询模块;④单一车型比对模块;⑤批量车型比对模块;⑥与全国交管信息接口模块;⑦与原有视频分析系统接口模块。

　　4.2系统拓扑

　　系统拓扑结构如图3所示。

　　4.3系统功能

　　(1)车型图片分类采集。选择图片视频条件相对较好的固定道口，采集原始数据。然后通过人工辅助，实现初始车型图片分类入库。收集各类车辆图像(标准图像、单车截取视频等)，建立大型的标准车型图像库，并建立实时或定期的更新机制，同时借助云处理平台高效进行数据管理。

　　(2)车型智能识别。实现高效的车型比对，有效处理固定角度、多角度等情况下的车型识别。运用CoffeeDeepLearning模型，实现对主流车型前、侧、背、顶4个图像的量化和建模，对摄像头点位、角度进行不断修正，提升识别率。通过3D建模提高识别正确率，结合人工判别，实现无遗漏、自动识别;最终实现叠加车型、车辆类型、车标、颜色及其它属性的复杂比对。

　　(3)结果呈现。由于车型比对算法的复杂性和环境因素的不确定性，系统可罗列出可能的相关车型队列，并按相似度排序，以帮助分析人员作出正确判断。

　　5数据库设计

　　为能与公安内部其它系统对接，采用oracle数据库。数据库表分为：车型表、单车信息表、抓拍照片信息表、全国机动车库导入表、需比对目标图片源、结果展示视图。

　　6结语

　　机动车车型智能识别技术，是图像识别技术在公共安全领域的拓展应用。该项目实施，不仅可以用于公安案件侦查部门，对于智能交管、智慧城市也具有非常积极的意义。