晏世武, 罗金良, 严 庆

(南华大学 机械工程学院， 湖南 衡阳 421001)

0 引 言

车型分类[1]主要研究车辆的结构化信息，能够根据车型、车身颜色、车身标志性文字或字母等特征对车辆进行分类，是智能交通系统中的重要功能。但车型分类易受到光照、天气、拍摄角度等因素的影响，面临着很大的挑战，长期以来即已成为了国内外学者研究的热点。

自从AlexNet[2]赢得了2012的ILSVRC(Large Visual Recognition Challenge)竞赛以来，CNN[3-5]现已广泛用于视觉图像的分类任务中，并取得了较传统人工选取特征基础上的更加准确分类效果。目前研究中，CNN网络层次在不断增加，参数规模也越来越大，这就极大地增加了人工成本，并且参数规模过大还将影响该模型在实践中的可行性。因此，为了使用较少的数据和快速训练更深的模型，学者们开始使用迁移学习来搭建分类器，然而，迁移学习却会降低特定分类任务准确率，而重新训练深层次的网络模型的所有参数则需要高性能计算机的技术支持。基于此，为了训练出高精度的结构简单的车型分类模型，本文拟从CNN的基本概念出发，设计研发最符合车型分类的结构简单的分类器。有针对性地，本文的研究工作可简述如下。

(1)为了测试收集数据是否可以用于训练，使用迁移模型，再用ImageNet[6]数据集训练好的深层次的模型进行训练，观察测试集的准确率。

(2)为了解决数据样本过少的问题，对原始数据进行数据增强研究。

(3)构建了网络的卷积层、BN层、池化层和全连接层，通过调整卷积层数和全连接层神经元个数来构造出针对本文车型数据集最好的网络结构。……