姚国愉，张 昭，李雪纯，张佳乐

（西安邮电大学 通信与信息工程学院，陕西 西安710121）

1 概述

车辆识别[1]在智能交通系统、刑事侦查、执法等方面发挥着重要作用，其任务是识别目标车辆的类型、颜色和车牌。颜色作为车辆最显著的特征之一，能为快速执法提供视觉线索。然而，由于光照、天气条件、噪声和图像捕获质量等因素的影响，使得车辆颜色识别成为一项具有挑战性的任务。

为了应对这些挑战，车辆颜色识别方法已经从最初基于人工提取特征+分类器[2-3]发展到基于深度学习[4-6]。为了在性能和计算复杂度之间实现良好的折衷，本文提出一种改进的卷积神经网络架构，该网络共有八层，包括五个卷积层，两个1x1 卷积层和一个全局平均池化层（Global average pooling，GAP）。

2 本文方法

本文网络的总体框架如图1 所示。该网络共有八层，包含五个卷积层、两个1x1 卷积层和一个全连接层。下面将详细介绍本文所用的网络框架结构，其中2.2.1-2.2.4小节内容遵循网络结构顺序。

2.1 AlexNet 网络

本文所提出的改进型卷积神经网络是以AlexNet 网络为基础的，所以首先介绍AlexNet 网络。

AlexNet 网络是2012年由Alex Krizhevsky 等人提出的，该网络由五个卷积层，三个全连接层组成，其中使用ReLU 激活函数加快网络的收敛速度，并且有效防止梯度消失等问题；在全连接层使用“Dropout”技术避免过拟合现象；为了避免网络模型参数在训练过程中不断更新导致每个后续层的输入数据分布发生变化，在第二卷积层和第三卷积层之前，对输入数据进行LRN 操作。该网络的总参数量为5800 多万，表1 显示了不同层的特征尺寸和参数数量。……