0 引言

    近年来，针对车辆类型识别的技术研究主要有：(1)结合车牌以及车标信息的车型识别方法，(2)结合全局特征和局部特征的车型识别方法，(3)采用卷积神经网络的车型识别方法等。其中，第(1)类可以用来直接识别出车辆类型和制造商^[1]，但不能识别出车辆类型的细粒度信息，如果车牌和车标被覆盖或者伪造，识别结果将不可靠。第(2)类特征包括定向轮廓点、尺度不变换特征(Scale-Invariant Feature Transform，SIFT)、Sobel边缘响应、边缘定向、直接正态化梯度、局部归一化梯度、Harris角响应等^[2-11]；这些特征针对常见车型，识别率比较高，但人工介入过多。第(3)类采用深度学习方法，可以自动进行特征提取，共享卷积核，处理高维数据毫无压力^[12]；但当网络层数太深时，采用BP(Back Propagation)神经网络收敛速度较慢。

    本文研究一种基于支持向量机(Support Vector Machine，SVM)和改进的快速区域卷积神经网络(R-CNN)车型识别方法。目标是降低计算的多重性，提高准确度、灵敏度、特异度和精密度。

论文详细内容请下载http://www.chinaaet.com/resource/share/2000002795

作者信息:

马  秀1，谭福奎2，李  震1，李良荣1

(1.贵州大学 大数据与信息工程学院，贵州 贵阳550025；2.兴义民族师范学院 物理与电子科学系，贵州 兴义562400)