随着交通行业的迅速发展和人们生活水平的日益提高以及科技的进步,私家车的种类和数量也出现快速增长的趋势,与此同时,也带来了一系列严重的社会问题。车型识别已经成为智能交通领域的重要研究内容。由于各种因素的限制,真实场景下的车辆图像质量存在较大差异,因此,低质量图像下的低分辨率车辆型号信息识别问题亟待解决。另外,低分辨率车型识别研究不仅是图像处理的重要研究内容,同时在安防监控等领域也有着重要的应用前景。相比于常规图像分类,低分辨率车型识别任务面临特征信息更加稀疏,不同类型之间的视觉差异更加细微,而且环境等外界因素的干扰更加明显的困难。传统的方法较难实现低分辨率车型图像的特征表征,深度网络特征学习的优势能够较好的实现特征表示。本文对基于多特征融合深度网络的低分辨率车型识别展开了深入的研究,通过对低层次特征融合的策略来改进传统深度网络的结构,对深度网络模型中低层特征充分利用,提高了低分辨率车型识别的准确率,同时也能较好的满足真实复杂场景中的车型识别需要。本文的主要研究内容如下:1.阐述了卷积神经网络和低分辨率车型识别方法的研究背景和应用价值。针对深度卷积神经网络理论和模型进行了深入的分析研究,详细介绍了卷积神经网络的组成、特点及优化方法,并对典型网络模型OverFeat和GoogLeNet进行了详细的分析。2.传统卷积神经网络模型在低层特征抽象过程中,不可避免特征信息存在丢失,导致无法完全表征低分辨率车型图像。本文通过对卷积神经网络原理和结构的分析,构造具有更高区分性的多特征融合深度网络模型。首先,利用融合思想,将深度网络中的低层特征进行自主选择的融合,构建深度特征融合网络模型。其次,为进一步提升模型对数据的拟合效果,通过对融合特征模型的稀疏化和对数据增强的策略对样本数据进行优化,以提升多特征融合模型的鲁棒性和性能。最后,通过公开车型数据集CompCars和Stanford cars实验,并与传统车型识别方法及传统卷积神经网络模型进行比较,结果表明本文提出的方法具有更高的识别准确率。3.为进一步提升车型识别的准确率和模型的拟合能力,本文采用多深度特征融合模型协作处理的方式来识别低分辨率车型图像。通过介绍协作机制对低分辨率车型识别的准确率提升的可能性和必要性,以及多深度特征融合模型协作机制的具体方法和优势,本文提出基于AdaBoost算法的多深度特征融合模型协作方法,以进一步识别低分辨率车型图像,通过对原始算法的优化,包括额外增加每个车型类别的权重以减少模型本身权重的影响,以及通过设定样本训练错误迭代的阈值决定是否增大其权重,可以有效的避免或减少因为样本标注错误,人为添加噪声和扰动等因素造成的过拟合现象。通过在公开数据集以及真实场景下对低分辨率车型图像的识别实验,验证了该方法对识别准确率有一定程度上的提升。