黄跃珍 王乃洲 梁添才 赵清利

(1.国防科技大学 计算机学院，湖南 长沙 410022；2.广州无线电集团有限公司，广东 广州 510663；3.深圳市信义科技有限公司，广东 深圳 518067；4.华南理工大学 电子与信息学院，广东 广州510640；5.华南理工大学 自动化科学与工程学院，广东 广州 510640)

随着城市化进程的不断推进，城市人口数量、城市机动车保有量迅速增加，为城市公共安全带来了极大的压力。为有效打击违法、违规行为，保障城市安全，城市重点路段、场所等建设有智能监控系统[1- 2]，以实现对行人、机动车、非机动车等目标进行有效的监管。车辆识别成为智能监控系统的重要功能之一。车辆识别是对图像中的车辆目标检测其位置并识别目标的类型。在实际应用中，由于背景杂乱、光照条件、车辆变形、部分遮挡和运动模糊等因素，车辆类型的识别准确率不高。为提高准确率，国内外学者进行了大量研究。

传统的车辆识别方法主要通过图像的边缘特征、颜色特征、尺度不变特征变换(SIFT)和方向梯度直方图(HOG)特征等对车辆目标进行识别。Aarthi等[3]使用图像的颜色特征变换和Baye-sian分类器来标记车辆位置并进行分类识别。Matos等[4]通过图像边缘特征和主成分分析法对车辆图像进行分类。这两种方法计算时间短，能够快速提取图像的轮廓特征，但在车辆尺度变化大、部分遮挡、光照变化等情况下，其性能下降剧烈，不能对车辆进行正确识别。Iqbal等[5]结合Sobel特征和SIFT特征对车辆进行识别，但特征维度高，计算量大。Arróspide等[6]利用HOG提取车型特征，但计算成本高并且特征表达能力一般。……