摘要：对图像进行分类已经是如今智能交通系统中的一个及其重要且值得研究的课题。如今，在交通系统中，肇事车辆的信息会留在监控录像中，其中不乏车的品牌标志的遮挡和污损的肇事车辆，汽车的品牌标志作为汽车的一个很重要的特征，我们可以通过一些技术手段来对其辨别以达到目的。本课题是一种基于以深度学习技术，对汽车的品牌标志进行检测与识别的方法，与传统的汽车品牌识别方法相比，基于深度学习技术的方法有自主学习的特征，这种方法可以让识别的准确度和效率极大的提高。近年来，在科研人员的不懈努力，以及对深度学习的不断创新，图像检测和识别领域获得了很多的的深度学习模型及其变种应用于图像识别的成果。本课题基于Faster-RCNN深度学习技术模型建立一种可以对图像中的汽车品牌标志进行检测与识别的算法，要对汽车品牌标志进行检测与识别，因此要建立汽车品牌标志的图像数据库。共收集11200张32种汽车品牌的图像，并且在特征提取网路选用VGG16和ZFnet网路进行对比实验，发现Faster RCNN+VGG16网络的检测性能更好。并且对影响检测效果的因素的进行分析，实验表明，光照是影响车标检测效果的因素。

关键词：深度学习；汽车品牌；标志识别；Faster-RCNN

目录

摘要

Abstract

1 引言-1

1.1 深度学习发展现状-1

1.1.1 深度学习在语音识别领域研究现状-3

1.1.2 深度学习在图像识别领域研究现状-3

1.1.3 深度学习在自然语言处理领域研究现状-4

1.2 汽车品牌标志检测和识别的研究意义-5

2 相关技术-6

2.1 深度学习的分类-6

2.1.1 生成型深度结构-6

2.1.2 判别型深度结构-7

2.1.3 混合型深度结构-8

2.2 卷积神经网络-9

2.3 研究内容-9

3 汽车品牌标志检测与识别网络的构建-10

3.1 总体流程-10

3.2 Faster R-CNN算法描述-10

3.3 构建卷积神经网络-11

3.3.1 网络结构-11

3.3.2 卷积层与下采样层-12

3.3.3 损失函数与经验风险函数-13

3.3.4 卷积核的更新-13

4 实验与分析-14

4.1 网络训练-14

4.2 测试比较-15

4.3 网络识别准确率的影响因素及其改进-17

结    论-20

参 考 文 献-21

致    谢-22