车辆自动识别技术是智能交通系统中重要的研究课题,其旨在解决实际交通场景中特定车辆的自动识别检索问题,以提高交通管理和信息检索的效率。本文主要研究实际道路监控中车辆图像的自动识别问题,包括车辆颜色识别、车型识别和车辆重识别问题,主要的研究工作如下:(1)提出了基于超像素特征的车辆颜色识别方法。首先对车辆图像进行超像素分割,根据超像素与图像最外边沿像素的空间位置关系来确定代表车辆背景区域的超像素。由于车窗普遍的颜色特征相对固定,因此采集了3200幅车窗区域样本,并通过k-means聚类获取车窗通用的颜色特征。然后将车辆背景去除后的超像素通过k-means聚类成两类,并将两类超像素的颜色特征与车窗的通用颜色特征进行相似性度量,检测出车窗区域的超像素,进而得到车辆颜色感兴趣区域。最后利用线性SVM来进行颜色分类。实验表明,所提出的颜色识别算法在各类样本的颜色识别准确率上均超过了92%。(2)提出了融合全局与RNN双通道注意力特征的车辆重识别算法。该算法以经过预训练的Inception＿Resnet＿v2网络作为基础的车辆特征提取网络。然后通过全局注意力特征通道直接从网络输出的全局特征中学习车辆实例特征,并通过分层RNN注意力通道挖掘车型特征与车辆实例特征之间的特征关系,进而得到车辆图像的细节特征。另外,在两个通道的特征提取中,均嵌入了特定的注意力机制来引导网络进行特征学习。最后融合两个通道的注意力特征作为车辆的特征描述。在Vehicle ID和Ve Ri数据集上的实验表明,所提出的算法在rankk和m AP两个指标上均表现出了它的优越性。(3)提出了基于迁移学习模型的车辆颜色识别和车型识别方法。为了节省计算资源、降低模型训练的难度,迁移学习模型以在车辆重识别数据集上微调训练的卷积神经网络为基础,根据不同网络层对图像特征挖掘能力的差异,对网络特定层次的结构进行相应的改进,从而适应颜色和车型识别任务。算法的实验均在Vehicle ID数据集上进行,实验结果表明,所提出的算法在降低网络训练的难度的同时,又保证了较高的识别准确率。(4)实现了基于多属性融合的渐进式车辆重识别系统。该系统融合了车辆颜色识别、车型识别和车辆重识别三个模块,满足了用户对车辆不同粒度信息检索的需求。