车辆识别系统是智能交通系统的重要组成部分,特别地,对车辆品牌款式进行识别能够有效的辅助车辆检索和比对,有助于对车辆违法违章行为进行检测,以及对犯罪车辆进行锁定。因此,在交通监控场景下对车辆品牌款式识别算法的研究具有广泛的应用价值。近些年来,已经有部分学者对车辆品牌识别算法展开了研究,目前的车辆品牌识别算法主要基于高清卡口相机所拍摄的角度固定的车前脸图片,并且识别的车辆类别数较少。而当前车辆品牌识别算法的应用场景较为复杂,既有基于卡口相机的车辆监控系统,也有基于虚拟卡口相机的应用场景。在实际的复杂监控场景中,车辆角度复杂多变,并且存在车辆样本严重不均衡问题。本文针对复杂场景下车辆品牌识别算法进行了相关研究,主要工作如下:(1)提出了一种基于批归一化层的卡口车辆识别方法。在限定车辆角度的卡口监控场景中,数据量非常庞大,导致深度网络模型训练时间过长和难以收敛的问题。为了解决这个问题,本文通过结合数据增强方法和批归一化方法,提出了一种车辆识别卷积神经网络。通过在该车辆识别网络中嵌入批归一化层,大幅度增加了训练过程中的学习率,减少了模型训练时间,同时提升了车辆品牌款式分类准确率。此外,本文构建了一个层次化的车型库并且构建了一个大规模卡口车辆数据集。(2)为了解决虚拟卡口中的车辆样本分布不均衡问题,本文提出了一种非均衡样本下的虚拟卡口车辆识别方法。在实际虚拟卡口监控场景中,存在着车辆样本分布严重不均衡的问题,使用传统的深度神经网络识别精度不高。本文通过引入焦点损失函数进行网络训练,有效地提高了网络在车辆样本分布严重不均衡条件下的车辆品牌分类准确率,此外通过引入更宽网络模块,有效地提升了网络的特征选择提取能力,进而提高了虚拟卡口场景下的车辆识别精度。同时本文构建了一个包含10192张车辆图片的虚拟卡口数据集。(3)在虚拟卡口场景中存在车辆角度复杂多变的问题,这个问题严重降低了车辆识别算法在实际应用场景中的泛化和迁移能力。为了解决这个问题,本文提出了一种渐进式卷积神经网络,首先在基础网络进行车辆角度的估计,然后在子网络中进行对应角度的车辆品牌识别,实现了端到端的网络训练与测试,整个车辆识别框架能够同时识别车辆角度和品牌,并且显著提升了车辆品牌识别精度。