隨著智能技術的進步，交通科技也得到了提高，本篇科技論文對機動車車型智能識別技術進行研究，提出系統建設目標及核心算法，分析其自動識別方式和辦法，對公安案件偵查部門，智能交管、智慧城市具有重要意義。

　　推薦期刊：《應用科技》獲教育部"中國高校特色科技期刊獎";獲工業和信息化部"編輯質量優秀獎;并被《劍橋科學文摘社ProQeust數據庫》收錄。《應用科技》創刊于1974年，是工業和信息化部主管、哈爾濱工程大學主辦的學術期刊，月刊，國內外公開發行(國際標準連續出版物號ISSN1009-671X，國內標準連續出版物號CN23-1191/U)，郵發代號14-160。

　　關鍵詞：車型識別;DeepLearning;多角度;3D建模

　　隨著視頻監控資源覆蓋程度的逐步提高和犯罪形態的日新月異，加強視頻監控信息的深度應用成為公安機關強化社會治安防控的重要措施。本文針對實際工作中涉案機動車輛視頻信息分析面臨的問題，探討機動車車型智能識別技術及其應用。

　　1需求分析

　　機動車車型檢測與分類識別涉及計算機、模式識別、人工智能以及應用數學和生物視覺等技術。目前，已有一些公司從事該項技術研究，但真正投入實際應用的成果并不多，現有技術僅可分離大型車、小型車等，不能完成復雜的車型比對及特征提取要求。受自然環境影響，特別是光照的影響，車身顏色偏離的變化大，難以辨認，難以滿足各類檢測算法。同時，對攝像機位置和角度的要求也較高，從不同角度所攝的汽車特征差別較大。當前，汽車企業層出不窮，同時代不同廠商的車型相似，已有自動識別技術無法完全準確地區分相似度很高的車型。

　　大部分公安工作都會涉及車輛視頻信息，面對海量信息僅依靠人工處理，不但費時、費力，而且容易出現疏漏，還可能錯失案件處理最佳時間[1]。目前，機動車輛檢測技術、運動目標跟蹤監測技術已趨于成熟，實現了產品化，一些廠商推出了針對偵查破案的視頻分析工具產品。

　　系統開發過程中需解決以下關鍵問題：①多車輛的特征同時提取。目前，復雜背景、多車輛的檢測較容易實現，但是多車輛的特征同時提取比較困難，實現多車輛特征同時提取，對后續分類識別、跟蹤有很大幫助;②復雜環境下車輛識別。天氣、光線等對車型、顏色識別準確率的影響很大，如何降低天氣條件的影響，增強系統的自適應性，是汽車分類識別的關鍵[2];③目前市面車型過多，收集全所有車型，尤其是較少見車型及進口車型圖像信息較困難，后期系統維護必須及時快速，否則會降低系統的準確度。

　　2相關技術

　　目前，車輛識別方法主要有以下幾種：①基于模板匹配的識別方法;②基于統計模式的識別方法;③基于神經網絡的識別方法;④基于仿生模式(拓撲模式)的識別方法;⑤基于支持向量機的識別方法[3]。本文在分類識別中引入當前熱門的深度學習機制，提出車型識別算法。

　　2.1DeepLearning(DL)

　　在車型識別工作中，特征提取極為關鍵，直接決定了識別準確率。DeepLearning概念源于人工神經網絡研究，別名 UnsupervisedFeatureLearning。顧名思義，Unsupervised就是不需人工參與的特征選取過程，是計算機識別技術的理論成果，成為近幾年來的研究熱點[4-5]。本文采用Deep-Learning思想，在初始標定數據的基礎上，展開自頂向下的監督學習，逐步微調，接近全局最優，以最小的人力解決最為繁冗的工作。

　　2.2車型3D建模

　　以往車型識別算法，對角度、方向的自適應性較差，很小角度的更改可能導致識別正確率的大幅降低。通過試驗，如果對車輛進行不同角度(目前暫使用前、側、背、頂4個角度，見圖1)量化和3D建模，并對角度、位置進行不斷修正，可以幫助解決由于角度位置帶來的識別正確率大幅降低的問題。

　　此外，需要建立復合式的車型特征提取方法，解決車型識別中單一特征的局限性;構建基于深度學習的車型比對方法，加強車型識別中的分類精度;形成海量車型數據的云處理平臺，提升數據管理質量和效率。

　　3系統建設目標

　　(1)建庫。建庫是所有算法和智能分析的基礎，需要建立大型車型庫，以供分類查找。

　　(2)實現車型比對算法。在建立準確車型圖像庫的基礎上，實現車型比對算法。并通過DeepLearning方法，不斷提升識別準確度。

　　(3)嵌入原有分析系統，實現車輛圖像疊加組合算法。實現車輛類別(大、中、小型車等)、顏色、車型、車輛用途(出租車、私家車等)等組合驗證算法，提高識別率。

　　(4)車輛多角度建模。建立部分涉案較多車輛車型庫，研究拍攝角度對車輛識別準確率的影響。

　　4系統實現

　　4.1系統模塊模塊設計

　　系統模塊(見圖2)包括：①基礎數據管理模塊;②車型原始圖片分類查詢模塊;③車輛綜合信息查詢模塊;④單一車型比對模塊;⑤批量車型比對模塊;⑥與全國交管信息接口模塊;⑦與原有視頻分析系統接口模塊。

　　4.2系統拓撲

　　系統拓撲結構如圖3所示。

　　4.3系統功能

　　(1)車型圖片分類采集。選擇圖片視頻條件相對較好的固定道口，采集原始數據。然后通過人工輔助，實現初始車型圖片分類入庫。收集各類車輛圖像(標準圖像、單車截取視頻等)，建立大型的標準車型圖像庫，并建立實時或定期的更新機制，同時借助云處理平臺高效進行數據管理。

　　(2)車型智能識別。實現高效的車型比對，有效處理固定角度、多角度等情況下的車型識別。運用CoffeeDeepLearning模型，實現對主流車型前、側、背、頂4個圖像的量化和建模，對攝像頭點位、角度進行不斷修正，提升識別率。通過3D建模提高識別正確率，結合人工判別，實現無遺漏、自動識別;最終實現疊加車型、車輛類型、車標、顏色及其它屬性的復雜比對。

　　(3)結果呈現。由于車型比對算法的復雜性和環境因素的不確定性，系統可羅列出可能的相關車型隊列，并按相似度排序，以幫助分析人員作出正確判斷。

　　5數據庫設計

　　為能與公安內部其它系統對接，采用oracle數據庫。數據庫表分為：車型表、單車信息表、抓拍照片信息表、全國機動車庫導入表、需比對目標圖片源、結果展示視圖。

　　6結語

　　機動車車型智能識別技術，是圖像識別技術在公共安全領域的拓展應用。該項目實施，不僅可以用于公安案件偵查部門，對于智能交管、智慧城市也具有非常積極的意義。