孙　晔，吴锐文（厦门大学通信工程系，厦门361005）

基于卷积神经网络的车标识别

孙晔，吴锐文
（厦门大学通信工程系，厦门361005）

提出一种基于卷积神经网络（CNN）的车标识别方法，通过多层的特征学习，能够直接从训练样本中提取特征，最后送入神经网络分类器进行分类。验证集采用5000个从属于10类车标并附有各类变化的车标数据库，该应用算法达到98.28%的平均准确率和每张少于3ms的识别速度（在MATLAB环境下），实验表明，该方法对于车标识别问题具有优异的准确率和鲁棒性，且对于计算资源要求很低。

智能交通；车标识别；深度学习；卷积神经网络

0　引言

近年来很多基于视觉的智能交通系统应运而生，它们多是用于车辆信息的检测、追踪和识别，尤其是用于城市交通监控和高速管理系统。也正因为智能交通系统的广泛普及，车标识别问题在这些年来也受到了越来越多的关注。

大多数关注车标识别问题的方法采用尺度不变特征变换（Scale-Invariant Feature Transform,简称SIFT）和图像匹配。Dlagnekov and Belongie[1]采用SIFT特征在远景车辆图片上获得了89.5%的准确率，Conos[2]在近景图像上采用SIFT特征达到了90%的准确率，但其共同缺点是处理运算量大，无法做到实时。

卷积神经网络（CNN）是一种含有多层次结构的神经网络[3]，每层由包含有独立神经元的一个二维平面组成，通过局部感受野策略和池化方法，CNN可以提高其提取的特征对于旋转平移等变化的鲁棒性并降低计算规模。CNN方法在手写字符识别和人脸识别领域已投入应用并有着优良的识别效果[4~5]。……