车型识别作为智能交通的重要组成部分,主要可以应用于公安部门的车辆稽查、高速公路智能收费以及智能停车场等领域,是重要的交通参数之一。在当今世界车辆数量急剧增加的大环境下,为了便于对交通状况的管理以及车辆信息的获取,对于车型识别的标准提出了更高的要求。本文将高速监控视频作为研究对象,以实现车辆类型的多分类为目标。当前主流的车型识别方法大都是基于深度学习的二维图像特征检测方法,但二维图像中车脸、车灯或车标等局部特征信息,易受透视形变、光照和车辆遮挡等因素的影响。为了更好地解决以上复杂情况下的车型分类问题,本文提出一种基于车辆目标逆投影空间展开的车型识别算法,本文的主要工作如下:(1)改进的YOLO v3车辆目标检测算法:针对监控视频中车辆目标的检测问题,本文通过检测准确率的比较,选择YOLO v3目标检测算法。考虑到车辆目标自身特性,计算出了与之相适应的YOLO v3先验框的尺寸比例,并将模型检测模块由3尺度改进为4尺度。实验结果表明,改进后的YOLO v3模型,在Brno Comp Speed数据集上车辆目标检测平均准确率为88.71%;通过设置输入图像分辨率对比实验发现,当输入图像大小为416×416时,在保证检测准确率的前提下,模型性能更加稳定。(2)车辆目标三维包络框的构建及精细化算法:为了实现车辆目标逆投影空间的构建,本文根据Brno Comp Speed数据集中监控相机高度未知的特点,利用基于VWL的相机自标定算法,利用道路标识线模型与监控相机模型,对6个道路场景实现相机精确标定,实验结果表明,6个道路场景的标定平均误差率为3.84%。结合改进YOLO v3目标检测算法实验结果,从而实现车辆目标三维包络框的构建。为了改善三维包络框与车辆目标贴合度较低的情况,根据车辆二维检测框和车辆边缘轮廓外接矩形分别与三维包络框轮廓外接矩形进行匹配的思想,本文分别提出二维检测框约束精细化方法以及车辆边缘轮廓约束精细化方法,从而有效的实现车辆目标三维包络框到逆投影空间的转换。(3)基于逆投影空间展开的车型识别算法:针对车辆目标的分类问题,本文结合车辆目标逆投影空间模型,获取标准化的车辆目标展开图像,作为VGG-16网络模型的输入。通过实验验证,本文提出的展开图像相较于原始图像作为模型输入图像,车型分类平均准确率提高了4.32%;由于VGG-16模型通过Softmax损失函数,仅能学习到可分离的特征,因此需要更具区分性的特征来实现车型分类任务。据此,本文提出基于联合损失函数的VGG-16模型改进算法,通过实验验证,车型分类平均准确率提升了1.95%。