随着目前我国汽车保有量飞速增加,智慧交通系统也日益普及。车型信息作为一种车辆的一种基本属性,对其进行准确的识别和统计对智慧交通系统的建设有着重要意义。本文阐述了车型识别的研究意义和发展现状,概述了深度神经网络的基本理论。简要介绍了硬件识别法和基于计算机视觉识别方法,重点研究了基于计算机视觉的深度神经网络算法,它具有部署成本低,准确率高,学习能力强等优势。对目前已有的分类模型存在分类粒度过大,准确率不高等问题,提出了将整体特征与局部特征相融合的分类模型。研究的数据集主要针对监控摄像头拍摄的车辆前脸图片。为了充分利用车辆前脸图像进行车型识别任务,本文进行了以下工作:1.为了建立适合本文的车型数据库,本文融合了PKU VehicleID,BIT Vehicle以及使用网络爬虫从网上爬取的各类车型图片建立的车型数据集,这保证了本文中采用的数据来源丰富。为了进一步提升较暗图像的对比度,对数据集中亮度低于阈值的图像进行直方图均衡化处理。在最终建立的车型数据库包含了jeep-指南者,宝马-X1,比亚迪F3-2007-2011款等228类车型样本图像共计10432张图像。并针对车辆前脸图片中语义信息较强的部分定义了后视镜,车灯,车牌,车标,前挡风玻璃五个关键部件,并制作了相应的检测数据集。2.针对原版单发多框检测器(Single Shot MultiBox Detector,SSD)模型对网络各层次特征图利用不充分的问题,导致其在对较小目标进行检测时准确度不高的问题,提出了一种改进的基于SSD网络的车脸关键部件检测模型。该模型利用了特征金字塔网络(Feature Pyramid Networks,FPN)作为基底网络提取特征图,较好的融合了神经网络中的底层与高层特征,提升了SSD算法对车辆部件这类较小目标的检测能力,相较于原版SSD模型对车辆部件的检测率提升了5%。3.对目前常用的图像分类网络进行分析,例如AlexNet,VGGNet,ResNet。并用他们以及传统图像分类方法在本文中的数据集中进行训练测试。实验结果表明,基于深度神经网络的方法准确率远远优于传统图像分类算法,ResNet的分类准确度最高,达到86.8%。并在此基础上分析了AlexNet准确率较低的原因,并作出改进后,在车型分类任务上的准确率提升5.1%。接着利用改进后的AlexNet与修改后的LeNet分别在整张车辆图片与关键部件区域进行特征提取,最终形成联合特征。利用生成的联合特征进行分类,最终较之前ResNet的分类准确率提升2%。依据以上对车型识别的研究成果,设计了基于Vue.js和flask开源框架的车型识别平台,利用Caffe开源深度学习库,在Linux环境中对该平台进行了开发,形成了一套界面美观,易用的软件。