2020年是我国全面进入小康生活的富强年代,汽车已经成为中国百姓日常的代步工具。车辆保有量的不断增加,给交通带来了巨大的压力,为了缓解交通压力,车辆的信息收集对于交通管理者来说至关重要。在机器学习以及人工智能的高速发展下,通过深度学习的图像处理而获取车辆目标的信息则很好的解决了这一问题。车辆对象由多种属性构成,像颜色,车型,车牌等属性都可以做为车辆对象的识别依据。将车辆对象的每种属性做为一类标签,通常来说将每种车辆属性进行识别,需要多个深度学习网络算法,极大地增加了计算成本,因此车辆的多标签识别研究是非常有意义的。目标检测识别网络发展迅速,从卷积神经网络(CNN)衍生的一系列目标检测识别网络用在道路交通车辆检测识别取得非常理想的结果。其中SSD(Single Shot MultiBox Detector)算法在准确度和实时性以及多尺度检测都符合交通车辆检测的要求。本文重点研究SSD算法下对车辆的检测与多标签识别,并根据交通需求完成一个车辆多属性检测的系统。论文的具体工作如下:(1)本文为了符合SSD算法进行车辆多标签识别的特殊性,制作需要与常规的voc2007数据集不一样的训练数据集。常规的用于目标检测的voc2007数据集是针对单图像多目标,每个目标就只有一个标签的情况,本文所使用的训练数据集是将单图像多目标中的每个车辆目标进行多标签标注,本文使用车辆的两种属性(车型,车身颜色)做为车辆的多标签。由于手工标注的数据集只有1000,需要进行数据增强的方式来提高算法准确度和鲁棒性。(2)更改SSD网络获取类别置信度的卷积层,通过不同的33?卷积核,对每个预测框会产生两个类别置信度,和一个位置回归。还改进了其损失函数,并对两个类别置信度损失函数和一个位置回归损失函数进行一个加权和,获取整个网络总体的损失函数,引进颜色类别损失函数的系数β,并通过实验优化β参数,得到最优为β=2。(3)为了满足道路交通车辆属性检测的需求,本文将基于SSD的车辆多标签检测算法部署到车辆检测系统中。通过前端摄像机抓拍到的车辆图像,对图像中的每个车辆目标的属性进行识别,并可以在WEB端显示出来。