车辆特征识别作为智慧交通系统中的一个重要领域，涵盖了除车牌之外的车辆检测、车辆识别和跟踪、肇事车辆追查、车辆行为分析等多个方面。而车标作为车辆最重要的特征之一，已成为智能交通系统应用中备受关注的研究领域。车标检测不仅可以提高车辆识别的鲁棒性和可靠性，还可作为追踪犯罪车辆或识别嫌疑车辆提供重要线索，同时可用于商业引流和车辆精准服务等方面。

近日，西安建筑科技大学静态交通研究院学术科研团队在车标检测领域取得了新的突破，成功地开发出一种基于深度学习的车标检测算法，该算法有效地解决了传统方法中存在的问题，相比传统算法，其识别精度mAP0.5提高了15.27%。平均像素为1262*725的图像且车标占比仅为0.408%的情况下，其识别精度mAP0.5的值可达99.2%。

表1 传统算法与新算法在车标识别精度上的对比

  该算法使用卷积神经网络来学习车辆车标的特征，能够自动提取适用于实际交通中车辆车标的特征，并可解决不同角度、光照、遮挡等情况下的车标识别。与传统的算法相比，该算法具有更强的泛化能力和鲁棒性。目前，该项技术已投入到一期15个城市级停车项目中实际应用。

图1 传统算法与提出的算法识别结果对比

此外，静态交通研究院团队还解决了数据集的问题，开发出了一个大规模的车标图像数据集，其中包含多个城市不同场景、不同工况的实际交通场景图像。这为算法的训练提供了更多的真实场景数据，有助于提高算法的鲁棒性和准确性。

该研究成果在智慧交通领域有着广泛的应用前景，可以为智慧城市的建设提供重要的技术支持。静态交通研究院团队未来将继续深入研究车辆特征识别和检测，为我国智慧交通系统做更多的贡献。

相关研究成果于2023年4月5发表在《EURASIP Journal on Image and Video Processing》期刊上，原文地址：https://link.springer.com/content/pdf/10.1186/s13640-023-00604-1.pdf