视频流环境下的视频流车型识别技术作为我国智能交通系统重要的技术分支之一,是我国智能交通系统的重点研究关键技术模块之一,然而在实际的研究和应用的过程中,存在复杂的视频流交通环境和场景,比如由于多光照、多角度、遮挡等多种干扰环境因素的相互影响,导致目前的视频流车辆检测和识别的正确率低下,因此一种准确性高、实时性高、鲁棒性高的视频流车型识别算法无疑是目前所需求的。本文主要的研究内容如下:1)本文针对目前车型识别的出现以及车辆检测的过程中因为复杂的环境因素干扰导致的车辆检测准确率低下的问题,改进了一种Vi Be运动车辆检测算法。第一,该算法对目前的Vi Be算法的阈值参数进行了自适应的更新,避免了多光照、多角度、遮挡等多种复杂干扰环境因素对目前的车辆识别检测过程中所造成的准确率低下的可能性的影响,第二,结合三帧差分法消除原来目前的Vi Be车辆识别算法可能存在的“鬼影”的现象。通过实验验证,该车辆识别算法在各种复杂干扰环境因素的作用和干扰下,有效地消除了“鬼影”的现象,并且有效地改善和提高了目前的车辆识别和检测的可靠性和正确率。2)本文针对车型的识别运行过程中因为可能存在车型摄像头的位置和分辨率不同所导致的车型识别速度慢和准确率低的问题,和复杂的环境中光照等环境因素的直接影响,改进了一种基于深度学习的残差网络模型Wide-Res Net。第一,本文改进了残差网络识别模型的损失函数提高了对多种角度下的车辆的识别率,解决了对不同角度的同一种车型出现的识别结果反而不同的问题,第二,对残差网络Res Net的残差结构进行了改进,增加了残差模块的宽度,降低了神经网络的深度,有效地提高了车型识别的准确率和车型识别的速度,满足本文车型识别系统对于车型识别实时性和准确率的需求。通过实验分析结果表明该车型识别算法的性能优越与其他车型识别算法。3)本文实现了视频流环境下车型识别原型系统,通过该原型系统的实现,应用和验证了本文所改进的车辆检测算法和车型识别网络模型。该系统首先读入视频流,然后根据改进的车辆检测算法提取出视频流中的运动车辆图片,其次对改进的残差网络模型进行训练,将检测到的运动车辆图片输入到训练好的网络模型中进行车型分类,网络模型将会输出车型分类结果,最终结果将会显示到系统界面。