车辆识别代号对于车辆年检具有重要的意义。由于缺乏字符级标注，无法对车辆识别代号进行单字符风格校验。针对该问题，设计了一种单字符检测和识别框架，并对此框架提出了一种无须字符级标注的弱监督学习方法。首先，对VGG16-BN各个层次的特征信息进行融合，获得具有单字符位置信息与语义信息的融合特征图；其次，设计了一个字符检测分支和字符识别分支的网络结构，用于提取融合特征图中的单字符位置和语义信息；最后，利用文本长度和单字符类别信息，对所提框架在无字符级标注的车辆识别代号数据集上进行弱监督训练。实验结果表明，本文方法在车辆识别代号测试集上得到的检测Hmean数值达到0.964，单字符检测和识别准确率达到95.7%，具有很强的实用性。

在车辆识别和车辆年检时，正确识别车架上金属刻印的车辆识别代号(VIN)是非常重要的环节。针对VIN 序列，本文提出了一种基于神经网络的旋转VIN 图片识别方法，它由VIN 检测和VIN 识别两部分组成。首先，在EAST 算法基础上利用轻量级神经网络提取特征，并结合文本分割实现快速、准确的VIN 检测；其次，将VIN 识别任务作为一个序列分类问题，提出了一种新的识别VIN 方法，即通过位置相关的序列分类器，预测出最终的车辆识别代号。为了验证本文的识别方法，引入了一个VIN 数据集，其中包含用于检测的原始旋转VIN 图像和用于识别的水平VIN 图像。实验结果表明，本文方法能有效地识别车架VIN 图片，同时达到了实时性。

车辆识别方法计算量大,提取的特征复杂,且传统神经网络利用端层特征进行分类导致特征不全面,为此提出了一种结合卷积神经网络(CNN)多层特征和支持向量机(SVM)的车辆识别方法。该方法在传统AlexNet模型基础上构建卷积神经网络模型,通过分析参数变化对测试正确率的影响得到最优车辆识别模型;提取多层车辆特征图,采用串行融合方法与主成分分析降维技术将其构成一个具有多属性的车辆特征向量,以增强特征全面性,减少计算量;利用SVM分类器代替CNN的输出层实现车辆识别,以提高模型泛化能力与纠错能力。实验结果表明,相比传统方法,所提方法在分类精度和识别速度方面都有显著提高,且具有良好的稳健性。

针对运动车辆目标识别问题提出了一种自然场景下车辆识别方法。首先采用图像差分技术对目标车辆的显著特征进行统计学习, 并将学习所得目标局部特征以及图像进行编码, 根据以上两个信息实现目标车辆的显著性检测。其次针对车辆运动的复杂性, 采用分块投影匹配方法进行全局运动估计和补偿, 并利用差分技术进行运动特征检测。然后将目标车辆的显著性特征与运动特征进行融合, 从而获得更精确的候选目标区域。最后对候选区域进一步使用视觉显著特征进行目标判别。实验表明该方法具有较好的目标判别性能, 能较好地解决自然场景下运动车辆的识别问题。

利用阴影区域内的点与背景对应点颜色的比值大小,以及该点和汽车的空间位置关系以及汽车的形状有关的特征,提出一种新的基于空间特征的汽车阴影分割方法.该方法不仅适用于汽车与阴影颜色差别明显时的汽车阴影分割,在当两者颜色相近时,也能获得较好的分割效果.实验结果显示了该方法的有效性.