随着机动车市场的高速发展,我国机动车保有量呈爆炸式增长。传统的车辆类型分析、车牌号码识别已经不能形成全面的、立体的数据结构来完善和满足日益复杂的道路交通要求,因此全方位、细粒度的车辆信息采集问题亟待解决。细粒度车型识别旨在通过任意角度及场景下的车辆外观图像识别出其生产厂家、品牌型号、年款等信息,在智慧交通、安防等领域具有重要意义。相比于常规分类任务,细粒度分类任务其不同类别之间的视觉差异更加细微,且多集中于局部区域,因此局部区域定位及特征提取是细粒度识别性能的关键。传统手工特征难以表征如此细微的差异,本文对基于卷积神经网络的细粒度识别方法展开了深入的研究,通过具有区分度的局部区域特征改进卷积神经网络识别方法,提高了细粒度车型识别的准确率,能够较好地满足真实交通场景下的车型识别要求。本文的主要研究内容如下:1.阐述了卷积神经网络以及细粒度识别方法的研究背景和现状。针对卷积神经网络进行了深入的分析研究,包括其中的关键技术和重要理论。详细描述了卷积神经网络的组成、特性及优化方法,阐述了若干经典卷积网络的原理及特点。对细粒度识别的常见方法及其特点进行了系统的分析,详细对比了基于手工特征提取的传统方法以及基于深度学习的方法。2.传统卷积神经网络模型缺乏对于局部语义信息的表征,导致无法完全发挥其图像特征表示能力。本文结合基于深度学习的目标检测及特征融合方法,提出一种基于语义信息融合的卷积神经网络模型,加强对于可区分的语义部件的表征,并应用于细粒度车型识别。该模型由定位网络及识别网络组成,定位网络通过Faster RCNN获取车辆目标及各语义部件的具体位置。识别网络首先通过卷积神经网络提取目标的车辆整体特征及局部语义部件特征,然后拼接特征并融合,最后经过深层神经网络得到最终识别结果。本文提出将小核卷积用作神经网络特征融合,并在多个公开车辆数据集上验证了本文方法的性能。实验结果表明,本文算法取得了良好的识别效果。3.基于区域定位及特征提取的细粒度识别方法由于存在以下不足之处而难以在真实场景使用:需要预先给定细粒度目标的具体位置;需要大量的局部标记;仅适用于包含一个目标的输入场景。为解决这些问题,本文提出基于区域建议网络的细粒度识别方法。该方法首先通过卷积神经网络提取图像深层卷积特征,然后在卷积特征图上滑动窗口产生区域候选,之后将区域候选的特征经分类层及回归层分别获取其为目标的概率及目标的位置,最后将这些区域候选通过目标检测网络获取其具体类别及目标的精确位置,并通过非极大值抑制算法得到最终识别结果。实验结果表明,本文算法克服了传统细粒度识别方法对于目标位置的依赖,并且能够实现一图多车等复杂场景下的车型细粒度识别,具有较好的鲁棒性及实用性。