董振江+高燕+吴文熙

摘要：提出采用一种基于深度学习的识别方法，来辅助获取训练模型中所需要的车辆属性标签。该方法首先利用海报图像构建大规模车辆属性数据集（SYSU-ZTE-CARS），训练基于卷积神经网络（CNN）的识别模型，再将模型迁移到监测控制场景中进行标注测试，间接获取属性标签。采用CNN+softmax分类器的结构作为基本框架，引入细粒度识别技术以进一步优化识别性能。利用5种常用车辆属性进行测试，实验结果表明：所提出的方案不仅在SYSU-ZTE-CARS数据集上的识别精度高，而且在监测控制场景下的标注结果也很可靠。

关键词： 精细化属性识别；CNN；深度学习；计算机视觉

智能交通[1-2]领域中牵涉到很多计算机视觉的任务，需要对海量的视频、图像数据进行处理、分析。在基于车辆视频图像的分析任务中，传统技术不仅效率较低，耗费巨大的人力、物力、财力，而且欠缺对数据的感知表达能力，没有充分利用数据、挖掘数据特性，以致分析精度不够高。引入车辆属性识别的方法，可以增强算法对目标车辆特征的理解和表达能力，大大提高分析任务的可靠性和效率。

随着计算机视觉和机器学习技术的发展，以它们为技术基础的新一代智能分析技术，在目标检测、识别、检索等任务中表现优越，能够极大地减少人力成本，提高监测控制的效率，有巨大的应用潜力。

自2012年ImageNet[3]国际大规模视觉识别比赛以来，业界掀起了一波基于计算机视觉和深度学习的识别技术研究和应用热潮。……