车辆作为智能交通系统的重要组成成员,其在交通监控中各类属性信息的有效识别可以提升智能交通系统的运行效率。传统的车辆属性识别仅包括车辆的类型或颜色等单一属性,已经无法满足现有的交通系统。为了提高在实际监控中车辆检测定位的可靠性,利用深度神经网络的思想建立了一种能够在交通监控中识别车辆各类属性的模型,主要包括车辆类型、车辆颜色、车辆标志以及车牌四种属性类别。本文的主要研究内容如下:1.分析研究了车辆属性识别以及深度学习的国内外研究方向与进展,并总结了目前各类车辆属性识别方法存在的不足。2.针对目前车辆属性识别的属性单一,无法适应现有交通需求的问题,提出了基于YOLOv3网络的改进型网络,针对车辆各属性尺寸大小不同,采用分级训练的方法,将YOLOv3网络的深度降低,保留部分卷积层,然后在每个卷积层后加入池化层以提取车辆属性特征,最后将输出的多种尺度进行拼接,实现车辆多种属性的融合识别。3.建立满足交通监控环境的车辆多属性数据集,通过该数据集为网络提供模型训练的准备,并完成车辆属性识别模型的训练与测试验证。实验结果表明:(1)本文所用的基于改进的YOLOv3网络的车辆属性识别模型可以实现车辆多种属性的融合识别,克服了现有车辆识别方法的属性单一问题;(2)采用将车辆各属性进行分级训练有效的避免了由于网络深度增加导致识别时间延长的问题,在满足实时性的条件下有效提高了准确率:(3)在多种监控场景下进行测试验证,均表现出良好的适用性,适用于交通监控中车辆的属性识别。