在人类的日常生活中，车辆已经成为必不可少的一部分。不同类型的车辆具有不同的外观，类别主要包括了轿车、客车、货车以及专用汽车等等。由于目标容易受到光照不足、遮挡、背景干扰等因素，同时采用人工识别车辆类型工程浩大且需要相关专业知识，对在马路上飞驰的汽车进行智能实时识别与分类成为一种需求，因此对公路上多辆汽车的自动识别检测是一个具有重要意义的课题。

目标的检测与识别包括了检测和识别两个过程，其中最难的地方就是待检测区域/候选区域的提取与识别。目前目标检测与识别的研究方法主要分为两大类，一类是基于传统图像处理和机器学习算法的目标检测与识别方法，主要包括SIFT (尺度不变特征变换匹配算法Scale Invariant FeatureTransform), HOG(方向梯度直方图特征Histogram of OrientedGradient), SURF( 加速稳健特征Speeded Up Robust Features)等。主要分为区域选择、特征提取以及分类器分类三步，但由于传统的目标检测方法多适合于单一目标识别，存在区域选择没有针对性、时间复杂度高、重复选择计算以及较差的鲁棒性等问题，现多采用基于深度学习的目标献策与识别方法。相比于传统目标检测方法，基于深度学习的目标检测采用region proposal（候选区域）提供了很好的解决措施，大大减少了区域窗口的选择，减少了时间复杂度，利用人工神经网络（ANN）提高精度和鲁棒性。此文讨论的是基于深度学习的目标检测。

基于深度学习的目标检测多利用ANN中的卷积神经网络（CNN），当前流行的基于深度学习的目标检测框架分为三类，一类是基于回归的目标检测与识别算法，其中包括了SDD,YOLO等；一类是基于区域建议的目标检测与识别方法，其中包括了R-CNN，Fast R-CNN，Faster R-CNN等；第三类是基于搜索的目标检测与识别算法，如AttentionNet。

2013年，Ross Girshick等人提出了基于深度学习的目标算法R-CNN，第一次将卷积神经网络成功应用于目标检测中，此后Fast R-CNN、Faster R-CNN、YOLO、SSD等算法得到提出。其中Fast R-CNN、Faster R-CNN是对R-CNN的改进。三者关系表见图1-1所示。Fast R-CNN实现了特征提取和分类器分类的一体，而Faster R-CNN可以看做是RPN Fast R-CNN，真正意义上实现了端到端的目标检测框架。三者比较见图1-2所示。

2. 研究的基本内容与方案

研究内容、目标：

学习相关知识，深入了解车辆自动识别检测和深度学习的理论和方法，python软件的编程方法，使用深度学习的方法，实现图片中对多辆汽车的自动识别检测，并实现对车辆的分类。

研究步骤：

（1） 查找或构建满足复杂背景条件的互联网图像数据库

（2） 通过Python编程实现对车辆在单目标、多目标以及不同程度的遮挡下检测和分类。