文献综述
1,背景
随着数据通信、卫星定位导航、计算机信息等技术的快速发展，智能交通系统应运而生。它可以促使人、车、路和谐共存，从而提高交通运转效率、安全系数以及资源利用率，在解决交通问题方面起到关键作用。 在智能交通系统中，交通信息主要来自监控系统，分布在道路上的摄像头可以实时捕获交通视频。其中，交通视频中的车辆检测是一系列后续操作的基础，比如车流量统计、追踪指定车辆、事故探测。因此，车辆检测技术的研究具有十分重要的意义。 车联网是智能交通系统的重要组成部分。其中，每一辆车都可以看作车联网中的信息节点，汽车可通过自身的传感器感知周围的环境，获取当前的交通信息，并通过无线设备传送到车联网进行处理，然后再将这些信息反馈给各个车辆节点，从而实现了人、车、环境的信息交互。车辆可以利用反馈信息优化行驶路线，从而提高交通运转效率。车联网的车型信息主要来自于监控摄像头或车载摄像头。车型信息不仅能帮助车辆识别周围车辆，还可以为智能交通管理中心提供实时路况场景，为解决交通问题提供决策信息。鉴于这一需求，车辆检测和车型识别技术的开发是很有必要的。
- 2,发展现状
车辆检测：
文献[7]基于深度卷积神经网络设计相应的车型特征提取算法，并结合 SVM分类器构建识别系统。通过对实验结果多方面的进行分析对比确定CNN的最优训练次数n=5，在此基础上，CNN特征提取时间16ms，同时，HOG特征提取时间是36ms，而PCA SIFT特征提取只需要1.531ms。上述三种方式得到的目标检测准确率分别是98.8%，92.3%，89.8%，由此可见虽然CNN相比PCA SIFT特征提取时间增加，但是检测准确度却明显提升了。
文献[3]中的方法：首先从 Image Net 数据集中删选合适的训练样本，并且对样本中车辆目标进行标注。然后将样本输入RPN训练直至网络收敛，再将RPN训练得到的卷积层网络参数输入 Fast-RCNN 进行训练直至网络收敛，最后将各个网络层的参数输入到模型中进行车辆目标的分类识别。其中Faster R-CNN 算法利用典型的 ZF5 和 VGG16 模型，训练和微调网络的各项参数。最终得到的检测情况，样本总数5709时，ZF模型，VGG模型2分类平均准确率分别达到80.7%，87.5%；二种模型20分类平均准确率分别是73.5%，81.3%;可见深度网络的卷积层数增加，提取的特征更多更细，检测到的目标会更多更准确; 同时，降低深度网络检测目标的类别数，一定程度上提高了目标检测的准确率；当然增加样本容量，也可以提高检测的准确度。
车型识别：
早期的研究中，比如，文献［16］中的算法在 VOC 2007测试集合上的mAP(mean average precision)（ 目标检测中衡量识别精度的指标，多个类别物体检测中，每一个类别都可以根据 recall 和 pre-cision 绘制一条曲线，AP 就是该曲线下的面积，mAP是多个类别AP的平均值）只有30% ，文献［17］中的Over Feat在 ILSVＲC2013 测试集上的Map仅仅只达到 24.3%。
最近几年，随着深度学习在计算机视觉领域中的技术得到了迅速发展，能够利用大量的训练样本和隐藏层逐层深入地学习图像的抽象信息，更全面直接地获取图像特征，大大提高了分类的精度。
文献[4]中对比了VGG16，Alexnet及传统的CNN算法对车型分类的准确度：其中VGG16 网络的准确率最高，达97.6%，Alexnet网络的准确率略低VGG16，为93.0%，而传统的经典分类算法准确率50.4%，只有 VGG16 的一半左右。文献[7]中采用深度卷积神经网络学习所得特征与线性分类器SVM 结合进行车型识别的研究，取得了良好的效果，识别准确率最高达到99.8%，还将采用深度卷积神经网络学习所得特征与传统的 HOG 和 PCA SIFT 特征比较，不论是目标检测还是车辆识别，深度学习都显示了强大的优越性。由此我们可以看到，深度神经网络具有强大的学习能力，在图像分类问题上具有强大的优势。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
