基于深度学习的车辆型号识别

基于深度学习的车辆型号识别

摘要

随着智能交通的发展，车辆型号的识别受到越来越广泛的关注，它能够为个人，企业和政府的车辆使用以及监管提供诸多遍历。因而，如何设计高效算法，对车辆型号进行识别和分类，受到了学术界和工业界的广泛关注。

本文主要如何利用深度学习的方法进行车辆型号的识别和分类。首先，介绍了车型识别的应用背景和深度学习的基本理论。之后，为了进行目标识别，我们介绍了常用算法，分析比较了作为图像特征提取常见的算法，总结归纳了他们性能，精度以及相互之间的关联。之后，介绍了在目标识别工作中基本算法,阐明了各种方法的特点和适用场景。之后，我们以深度神经网络为理论依据，分析比较了深度神经网络不同的特征学习方法，并分析了如何使用卷积神经网络训练参数。我们分析比较不同特征学习方法的特点选取k均值聚类算法作为本文使用的特征学习方法，利用卷积神经网络结构搭建深度学习模型。、

本文采用大量实测数据作为仿真数据，以确保实验的有效性。同时，基于相同的实测数据我们适用改进SIFT特征匹配算法和深度学习算法进行车型识别。实验结果表明，深度学习算法的准确率高达90%，相对于SIFT匹配算法，深度学习算法的车型识别的准确率大大提高。基于上述仿真结果，我们的到了深度学习算法适用于车辆型号识别领域的结论。

关键词：k 均值聚类，深度学习，卷积神经网络，尺度不变特征变换, 支撑向量机

Abstract

With the development of intelligent transportation, the recognition of vehicle model is paid more and more attention. It can provide many ergodic for vehicle use and supervision of individual, enterprise and government. Therefore, how to design efficient algorithms to identify and classify vehicle models has attracted wide attention from both academia and industry. This paper mainly discusses how to use depth learning method to identify and classify vehicle models.

First of all, the application background and the basic theory of depth learning are

introduced. After that, in order to identify objects, we introduce the common algorithms, analyze and compare the common algorithms for image feature extraction, and summarize their performance, accuracy, and the correlation between them. After that, the basic algorithms in target recognition are introduced, and the characteristics and application scenarios of various methods are clarified. Then, we analyze and compare the different feature learning methods of depth neural networks based on the depth neural network, and analyze how to train parameters using the convolutional neural network. We analyze and compare the characteristics of different feature learning methods, select the K mean clustering algorithm as the feature learning method used in this paper, and build a deep learning model by using the structure of convolutional neural network.

In this paper, a large amount of measured data is used as simulation data to ensure the validity of the experiment. At the same time, based on the same measured data, we apply the improved SIFT feature matching algorithm and depth learning algorithm for vehicle recognition. Experimental results show that the accuracy of the depth learning algorithm is as high as 90%. Compared with the SIFT matching algorithm, the accuracy of model recognition is greatly improved by depth learning algorithm. Based on the above simulation results, our depth learning algorithm is applicable to the field of vehicle model recognition.

目录

第一章绪论..................................................................................... 错误！未定义书签。

1.1 课题研究背景及意义...................................................... 错误！未定义书签。

1.2深度学习简介................................................................... 错误！未定义书签。

1.3本文主要工作及篇章结构............................................... 错误！未定义书签。第二章目标识别算法..................................................................... 错误！未定义书签。

2.1. 基于机器学习的分类算法 (7)

2.2. 神经网络算法............................... 错误！未定义书签。

2.3. 卷积神经网络训练算法....................... 错误！未定义书签。第三章车型识别算法..................................................................... 错误！未定义书签。

3.1SIFT特征匹配算法 ............................................................ 错误！未定义书签。

3.1.1原始算法15

3.1.2改进算法1815

3.2 深度学习算法.................................................................... 错误！未定义书签。

3.2.1无监督特征学习15

3.2.2基于SVM 卷积的网络优化算法18

3.2.3车型识别在深度学习中的建模

3.2.4 深度学习算法设计19

第四章数值仿真和结果分析......................................................... 错误！未定义书签。

4.1基于SIFT 特征匹配的车型识别仿真

4.2 基于深度算法的车型识别仿真

4.3 结果分析以及算法对比

第六章结束语................................................................................. 错误！未定义书签。致谢................................................................................................. 错误！未定义书签。参考文献......................................................................................... 错误！未定义书签。

1.绪论

1.1.研究背景及意义

因此，智能交通系统(Intelligent Transportation System，简称ITS)[1-3]是未来交通系统的发展方向，它是将先进的信息技术、数据通讯传输技术、电子传感技术、控制技术及计算机技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合交通运输管理系统。

车辆身份识别[5-6]系统是智能交通的重要分支，它需要人工智能、图像处理、计算机视觉、模式识别等相关技术的综合应用。目前国内的车牌识别技术已经日益成熟，随着智能交通技术应用的不断加深，工业界迫切希望提取更多元的车辆信息，除车牌号码外，还需要车辆的厂牌、型号以及颜色等信息特征。这些特征在停车场无人管理、交通事故处理、交通肇事逃逸、违章车辆自动记录等领域具有广泛而迫切的应用需求。

机动车厂牌型号识别技术分为多个环节，一般是通过对摄像机采集的数字图像进行去噪、增强、车标定位、特征提取、识别等分析完成。为了得到较高的识别率，要求每一个处理步骤要有很高的准确率，而实际背景复杂，四季、昼夜、晴雨等不同情况的光照以及车辆运动速度的快慢等直接影响车辆图像的成像环节，造成车辆图像颜色失真、车身及车标区域灰度不均匀、边缘模糊、粘连等问题，增加了处理难度；反光、逆光、夜晚光照不足、树荫、车身颜色显著区域分布位置不同等情况又增加车身颜色识别难度；再加上车辆类别繁多以及车身本身的污损、遮挡、模糊，也为进一步提高识别率带来诸多困难。针对诸多问题，工业界一般采用了国际先进的人工智能、计算机视觉、图像处理、模式识别、大数据训练、深度学习等等技术来，通过从视频流中检测车辆、车头区域的定位、变形和倾斜校正、去除运动和成像造成的模糊、车辆特征的定位和识别、海量特征的选取和决策等多个环节来实现。在系统的设计和实现过程中，工业界开发应用了当今国际上最先进的计算机视觉技术，并通过超百万的大数据学习样本进行训练，大量实地数据的系统调整和测试，还采集了描述车头、车灯、散热格栅等各个部分的外形轮廓、相对位置、颜色、纹理等多种特征，组成了海量的辅助分类信息，与厂牌型号识别的结果一起最终通过可在线学习的特征决策模块，得到综合可信度评价，从而得到最终的识别结果。浩瀚如海的大数据，结构复杂，种类繁多，单纯依靠人力定义的过程无法处理这海量数据。于是我们采用基于模仿人类神经网络的人工智能算法，让机器从海量数据当中自我学。深度学习的实质，就是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。我们通过利用大数据来深度学习各类信息、特征，更能够刻画数据的丰富内在信息。从而得出更多元更精准的厂牌型号及其他信息。

1.2.深度学习简介

深度学习[7-10]领域的学术研究可以包含四部分：优化（Optimization），泛化（Generalization），表达（Representation）以及应（Applications）。除了应用（Applications）之外每个部分又可以分成实践和理论两个方面。

首先我们介绍优化部分。深度学习的问题最后似乎总能变成优化问题，这个时候数值优化的方法就变得尤其重要。从实践方面来说，现在最为推崇的方法依旧是随机梯度递减，这样一个极其简单的方法以其强悍的稳定性深受广大研究者的喜爱，而不同的人还会结合动量（momentum）、伪牛顿方法（Pseudo-Newton）以及自动步长等各种技巧。此外，深度学习模型优化过程的并行化也是一个非常热的点，近年在分布式系统的会议上相关论文也逐渐增多。在理论方面，目前研究的比较清楚的还是凸优化（Convex Optimization），而对于非凸问题的理论还严重空缺，然而深度学习大多数有效的方法都是非凸的。现在有一些对深度学习常用模型及其目标函数的特性研究，期待能够发现非凸问题中局部最优解的相关规律。

之后我们介绍泛化过程。一个模型的泛化能力是指它在训练数据集上的误差是否能够接近所有可能测试数据误差的均值。泛化误差大致可以理解成测试数据集误差和训练数据集误差之差。在深度学习领域变流行之前，如何控制泛化误差一直是机器学习领域的主流问题。从实践方面来说，之前许多人担心的深度神经网络泛化能力较差的问题，在现实使用中并没有表现得很明显。这一方面源于大数据时代样本巨大的数量，另一方面近年出现了一些新的在实践上比较有效的控制泛化误差（Regularization）的方法，比如Dropout和DropConnect，以及非常有效的数据扩增（Data Agumentation）技术。是否还有其它实践中会比较有效的泛化误差控制方法一直是研究者们的好奇点，比如是否可以通过博弈法避免过拟合，以及是否可以利用无标记（Unlabeled）样本来辅助泛化误差的控制。从理论方面来说，深度学习的有效性使得PAC学习（Probably Approximately Correct Learning）相关的理论倍受质疑。这些理论无一例外地属于“上界的上界”的一个证明过程，而其本质无外乎各种集中不等式（Concentration Inequality）和复杂性度量（Complexity Measurement）的变种，因此它对深度学习模型有相当不切实际的估计。这不应该是泛函理论已经较为发达的当下出现的状况，因此下一步如何能够从理论上分析深度学习模型的泛化能力也会是一个有趣的问题。而这个研究可能还会牵涉表达（Representation，见下）的一些理论。

表达主要指的是深度学习模型和它要解决的问题之间的关系，比如给出一个设计好的深度学习模型，它适合表达什么样的问题，以及给定一个问题是否存在一个可以进行表达的深度学习模型。这方面的实践主要是两个主流，一方面那些笃信无监督学习（Unsupervised Learning）可行性的研究者们一直在寻找更好的无监督学习目标及其评价方法，以使得机器能够自主进行表达学习变得可能。这实际上包括了受限波尔兹曼模型（Restricted Boltzmann Machine），稀疏编码（Sparse Coding）和自编码器（Auto-encoder）等。另一方面，面对实际问

题的科学家们一直在凭借直觉设计深度学习模型的结构来解决这些问题。这方面出现了许多成功的例子，比如用于视觉和语音识别的卷积神经网络（Convolutional Neural Network），以及能够进行自我演绎的深度回归神经网络（Recurrent Neural Network）和会自主玩游戏的深度强化学习（Reinforcement Learning）模型。绝大多数的深度学习研究者都集中在这方面，而这些也恰恰能够带来最大的学术影响力。然而，有关表达（Representation）的理论，除了从认知心理学和神经科学借用的一些启发之外，几乎是空白。这主要是因为是否能够存在表达的理论实际上依赖于具体的问题，而面对具体问题的时候目前唯一能做的事情就是去类比现实存在的智能体（人类）是如何解决这一问题的，并设计模型来将它归约为学习算法。我直觉上认为，终极的表达理论就像是拉普拉斯幽灵（Laplace's Demon）一样，如果存在它便无所不知，也因此它的存在会产生矛盾，使得这一理论实际上只能无限逼近。

最后，我们介绍深度学习的应用。深度学习应用广泛，主要包括语音识别和视觉处理。2009年，Hinton把深层神经网络介绍给做语音识别的学者们。然后2010年，语音识别就产生了巨大突破。本质上是把传统的混合高斯模型（GMM）替换成了深度神经网络（DNN）模型，但相对识别错误率一下降低20%多，这个改进幅度超过了过去很多年的总和。这里的关键是把原来模型中通过GMM建模的手工特征换成了通过DNN进行更加复杂的特征学习。在此之后，在深度学习框架下，人们还在不断利用更好的模型和更多的训练数据进一步改进结果。现在语音识别已经真正变得比较成熟，并且被广泛商用，且目前所有的商用语音识别算法没有一个不是基于深度学习的。

1.3.本文主要工作及篇章结构

本文研究内容主要包括，1）介绍车辆型号识别现状和深度学习理论，提出改进方法；2）研究将深度神经网络引入目标识别和分类问题中的具体方法；3）研究了卷积神经网络的构建方法和训练方法；4）提出针对车型识别的卷积神经网络模型，并通过实验证实该模型在车辆型号分类上的效果；5）与改进的SIFT特征匹配分类方法进行对比

本文分为四个章节：

第一章主要介绍了车辆检测和识别的应用背景和目前该领域存在的主要问题和挑战，阐述了研究车辆型号识别的目的和意义，并对当前现有的智能交通系统做了介绍，比较各种车型分类识别的方法，介绍深度学习在特征提取和文字识别上的发展状况，提出车辆分类算法新思路。

第二章对当前的车辆分类特征和算法做了详细的描述。分析各种特征之间的优势和劣势，并对主流的粉类算法的思想做了描述和总结，分析了每类算法的优点和缺点，这些理论研究，可以帮助我们设计基于卷积神经网络的车辆识别算法。

第三章介绍了车型识别算法。我们使用SIFT特征匹配算法和深度学习算法进行车载识别。我们首先介绍了原始SIFT特征匹配算法，分析该模型适用场景和局限，并给出了改进算法。在改改进算法中，我们使用密集采样保证识别精度。之后我们介绍了深度学习算法的理论，并给出基于深度算法的车型识别模型，并

设计了算法流程。

第四章使用计算机进行仿真。我们采用大量的实测图片和数据作为基准，分别验证了SIFT特征匹配算法和深度学习算法在车型识别中的效果。最后，我们对比了这两种方法的仿真结果。

2.目标识别算法综述

传统的目标识别主要是利用一种或多种特定的特征去表示图片中目标物体区域，然后利用分类器对所得的特征向量进行分类，车辆型号的识别其实就是目标识别的对象为车辆，方法流程基本一致。物体的轮廓线条是可以描述目标特征的全局特征，但是在尺度变换、旋转变换之后变化很大，从而表达能力发生变化。而局部特征由于在一定程度上对尺度和旋转的变化具有鲁棒性，所以作为描述图片的特征更有优势。SIFT 特征的设计及描述方法，并对最常用的机器学习分类器做简单的阐述。机器学习的核心问题就是让计算机模拟人类大脑工作，为此科学家们构建出人工神经网络模型，算法在提供初始条件后自主从数据学习新知识，不断增强自身的学习和理解能力。深度学习的提出给神经网络的学习能力带来了飞跃。本章会介绍深度学习相关研究，为后文建立基于卷积神经网络进行车型识别提供理论依据。

2.1.基于机器学习的分类算法

在本章中，我们介绍机器学习的相关分类算法，主要包括K 近邻算法（K nearest neighbor，KNN）[11-13]和支撑向量机算法（Support Vector Machine, SVM）[14-15]。K 近邻（K nearest neighbor，KNN）作为数据挖掘的十大经典算法之一也在图像分类中用的很多，大多数基于特征匹配的分类算法都需要用到 KNN 或者他的变形。K 近邻是从最近邻算法发展而来的，在最近邻算法中，计算测试样本到所有训练样本的距离，找到距离最近的样本所属类别作为分类结果。K 近邻则是寻找K 个最近邻样本，然后让K 个样本进行投票决定测试样本点所属类别。在目标分类领域，关键点特征匹配加上K 近邻的方式非常常用，效果也不错，特别是标记样本数据不充足的时候比基于分类的方法可靠性更高，但是其缺点也很明显，需要存储大量数据，并且计算量也很大。为了优化计算也出现了

K-dtree、VOCtree[40, 41]等优化算法。支撑向量机（Support Vector Machine, SVM）使

用线性划分的方法。对于不能线性划分的样本，算法寻找映射函数将数据从低维空间映射到一个

高维空

间，要求在该高维空间中数据线性可分，最后在高维空间中则可以用超平面进行样本分类。另外，SVM 还要求最后得到的判决面是最优的，即所得判决面两侧离判决面最近的样本到超平面距离最大。设训练样本为：

，表示样本特征向量，表示样本的标签取值为若存在超平面：

(2-10)

则样本线性可分，因此两类的间距可以表示成，因此为了得到最优判决平

面就要对类间距进行优化，求解最优判决平面的问题转化为下面这个规划问题：

(2-11)

然后用拉格朗日法将上述问题转化为对偶的二次规划问题：

(2-12)

优化后求解得到：

(2-13)

得到决策函数为：

(2-14)

根据判决函数值的正负来确定样本是正样本还是负样本。

当样本线性不可分的时候，有两种方式解决这个问题，第一种方式是采用非线性

的核函数，将低位空间线性不可分的样本投影到新的空间，使数据在新的空间中线性

可分。因此，判别函数变为：

(2-15) 不同的核函数会带来不同的分类效果，但是还没有很好的理论方法去指导核函数的选取，只能通过实验的方式选择合适的核函数。

另一种方法：引入松弛变量解决线性不可分问题，将线性约束变为：

(2-16) 当样本分错的时候大于0，分正确怎为0；优化的目标函数变为：

(2-17)

为惩罚因子，取值越大表明样本越重要，因此，该样本被分错会得到更

大的惩罚。

此时优化约束也发生改变，变为：

(2-18)

上面讨论可以看到SVM 是针对二类问题设计的，但是现实中分类往往是多类问题，利用SVM 解决多类问题一般有两种方法[43, 44]。第一种是针对多类问题中的每两个类都训练一个二类分类器，这样若是一个k 类问题则需要训练

个分类器，虽然这种方法简单易扩展，但类别很多的时候会需要大量分类器，会有不可分的区域；另一种方法是针对每一个类跟剩下所有其他类间训练二类分类器，则k 类问题则需要训练k 个分类器，这种方法需要的分类器少，但对每个类的训练过程复杂类别改变的时候不易扩展，也同样存在不能区分的区域。虽然SVM 存在计算复杂以及一些识别能力的局限，但总的来说与其他机器学习的分类方法相比还是具有明显的优势。本文的车型识别方法也将会用到SVM 分类器，并将它与卷积神经网络相结合。

2.1神经网络算法

神经网络（Artificial Neural Network ANN）[18-20]是受动物中枢神经系统的启发所设计的一种具有机器学习和模式识别功能的数学模型。一般是由一组互相连通的“神经元”组成。每个“神经元”都有自己的激励函数，它接受其他节点传来的信号，并将信号用自己的激励函数处理后传递给下一级。根据激励函数的形式不同神经元分为：线性神经元、二进制阈值神经元、修正的线性神经元、Sigmoid 函数神经元等，它们的工作原理大同小异，总的归纳起来，神经元工作原理如图2-5 所示，首先将所有输入进行加权求和，并加上一个偏置并加上一个偏置b，然后用激励函数处理得到该神经元的输出。将神经元以一定的方式连接组合就得到了人工神经网络，图2-6 所示的是最为普遍的前馈神经网络模型。它由一个输入层（input）、一个隐藏层（hidden）和一个输出层（output）组成，每一层的节点激励值都是由其前一层与之相连的节点计算得到的。除了前馈神经网络，还有循环神经网络，这种网络具有环路，它更贴近生物大脑的工作原理但是训练困难；另外还有对称神经网络，它的每个连接都是双向的，包含隐藏层的对称神经网络就是玻尔兹曼机，虽然比不上循环神经网络的学习能力，但是具有

简单易学习等优势，因此应用十分广泛。深度学习就是利用一些方法去构建一个含有多层隐藏层的人工神经网络，网络的每一层都对应着原始数据不同层次的数学抽象，从而达到用特征向量描述图像的目的。

在讨论深度学习的具体方法之前，首先要明确两个概念：有监督学习和无监督学习。所谓有监督学习，是指给定了训练样本数据（data）的同时也已知样本经过学习后的目标值，比如我们进行车辆型号分类的时候给出了一组车辆图片，也给出每张图片对应车辆的型号。一般这些目标值是由人工标记或给出的真值（Ground Truth），也称为样本标签（label）。常见的有监督学习形式有：回归和分类。回归就是要对数据及其标签进行拟合，找到使得下面的函数值最小的函数曲线。

2.3卷积神经网络算法

深度学习有多种学习结构，主要分为三类：第一种是生成型的深度结构，其代表有深度置信网络（DBN）[21]：它由一系列限制型玻尔兹曼机组成，主要能解决多层神经网络在学习的过程中：标签数据需求量大、收敛速度慢和陷入局部极值等问题。由于其学习的是观测数据和标签的联合概率，所以对先验概率和后验概率都可以进行估计。第二种是区分型模型，下一章使用的卷积神经网络就是其代表，其结构不同于第一类模型，只能对后验概率进行估计，适合应用在识别和分类问题中。生成型结构用于分类问题的时候，可以在后面使用区分型的结构进行参数优化。因此得到第三类——混合型结构，它是将上述两种结构用合适的方式组合起来。卷积神经网络在计算机视觉上的应用已经相当广泛，利用卷积神经网络对图像进行特征提取并且在场景标记中取得较好的效果；另外也有把这种方式应用在机器人视觉上的研究。它根据视觉原理定义局部视觉感受域，这个感受域是图像的一个个小区域，这些区域作为最底层的输入，然后在多层网络中逐层做正向传递，得到图片的特征，在同一层的特征图中位置不同但网络参数共享，这样做能减少需要学习的参数数量，同时能够使得特征具有变换不变性。因此，最后通过网络学到的数据特征具有平移、旋转、缩放不变。

神经网络算法应用广泛，首先我们介绍特征提取算法。上面已经提到卷积神网络作为区分型的深度学习结构在计算机视觉特别是区分性问题中应用广泛，我们将使用卷积神经网络分析深度学习。我们接下来展现在卷积神经网络，我们如何提取特征向量。

图2-11 卷积网络特征提取[53]

上图展示了使用神经网络进行特征提取的流程图。做完卷积运算就得到了C1，是8 幅2828 的图片，因为边长32 的图片用边长5 的卷积核卷积后图片大小应为：32-5+1=28.为了减小数据并且得到稳定的局部特征，在C1 的基础上做pooling，pooling 有多种方式，常用的有最大/最小值pooling 和均值pooling，为

了保证整体效果最好，我们采用均值池化。然后为了减少数据维度，在进行特征

图的下采样得到下一层S1，此时数据变为8 幅1414 的特征图；接着按类似得到第一层的方式，使用55 卷积核，并将不同特征图卷积后累加起来得到，操作之后得到20 幅1010 特征图，即为C3 的输出。同样进行下采样将每幅特征图变为大小55，即为S4 的输出。然后，最后一层C5 也是卷积层，其每一幅图跟上一层所有图都连接，得到个特征图大小为1 1 的120 个特征图，拉成一维向量就是学习得到的图片特征。

接下来我们介绍卷积神经网络训练过程卷积神经网络的训练过程就是要

对网络的各个参数进行优化，这个过程包括前向传递和后向传播。前向传递的时候网络中的参数保持不变，根据各层节点的激励函数逐级计算得到网络的输出；然后将输出值与已知的数据标签进行比较得到两者的差值，再从最后一层网络一层一层向前根据误差去修改参数，从而达到优化参数的目的。假设一个多类问题，类别数为一共有个训练样本，选取平方误差作为代价函数，则系统误差计算如下：

(2-20)

表示对应的第个样本在第类上应该对应的标签，表示系统预测出

来的结果。在传统的全连接网络中，通过优化得到网络中的各个连接的权重，

假设当前为第?层，则当前层的输出为：

? ?,其中? ???(2-21)

为输出激活函数可以根据具体应用选择不同的函数，使得满足一

定的统计特性能够加速训练过程的收敛；?是对与当前节点连接的所有

前一层节点输出的加权求，具体参见前面对神经元的阐述。这个向前

传递的过程就叫卷积神经网络的前向传递。对系统参数的学习过程就

是优化系统误差的过程，因此，每次前向传递后系统的误差会在网络

中做后向传播，这时，定义一个变量：节点的“灵敏度”，它是指误差

随某个参数变化率，单元偏差值（bias）参数为例，根据求导链式法

则定义为：

(2-22)

相邻网络层之间的递推关系为：

? ??′ ?(2-23)

我们使用各个元素一次相乘。然后每一层根据其对应的值用下面的式

子对各个连接的权重进行更新，最终训练得到神经网络。

(2-24)

(2-25)

根据上面的表达式，我们可以设计出有效的神经网络训练算法。

3车型识别算法

在现实生活中，车型识别有效提高车辆通行效率，增强车辆识别度，减少人工管理及刷卡停车场系统的管理难度，更减少系统误判，具有高效、安全、便捷等特点。他无论对于个人，企业以及政府都有非常有效的作用。如何使用合适的算法，在保证车型识别的精度时，降低开销，如计算复杂度，软硬件实现成本等，是车型识别理论研究和工程实践的重点。接下来，我们分别介绍了两种车型识别算法：SIFT特征匹配识别算法和深度学习算法。这两种算法可以有效地识别车型，适用于不同场景。对于SIFT特征匹配识别算法，我们在车型识别的应用中需要更高的要求，因此，我们首先介绍了SIFT特征匹配识别原始算法，之后提出了改进方案，最后分析了算法性能。对于深度学习算法，我们分别介绍了无监督特征学习和利用 SVM 分类器进行卷积网络优化的背景知识，之后对车型识别

进行建模，我们的模型可以有效地利用深度学习反应车载识别的特性。最后，我们也对深度学习算法进行了性能分析。在接下来的章节中，我们详细介绍SIFT 特征匹配识别算法和深度学习算法在车载识别中的应用。

3.1.SIFT特征匹配识别算法

在智能交通中，SIFT 特征匹配算法应用广泛。尺度不变特征转换

(Scale-invariant feature transform或SIFT)[22]是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由David Lowe在1999年所发表，2004年完善总结。其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D 模型建立、手势辨识、影像追踪和动作比对。SIFT 特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度也相当高。基于这些特性，它们是高度显著而且相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。SIFT特征的信息量大，适合在海量数据库中快速准确匹配。具体而言，SIFT特征匹配算法有如下特点：

1. SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；

2. 独特性（Distinctiveness）好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配；

3. 多量性，即使少数的几个物体也可以产生大量的SIFT特征向量；

4. 高速性，经优化的SIFT匹配算法甚至可以达到实时的要求；

5. 可扩展性，可以很方便的与其他形式的特征向量进行联合。

由于SIFT 特征匹配算法适用于各种场合的车载识别，我们也对 SIFT 特征匹配算法进行了大量实验，说明基于 SIFT 特征匹配算法在车型识别中存在的问题。本实验从城市交通车辆监控视频中截取出大量的车辆图片，然后利用 OpenCV 中现有的检测算法配合人工标注的方式得到个常见品牌车头图片，约有10000

张图片。基于这些图片进行实验。基于 SIFT 特征匹配算法进行车型识别的流程如图 3-2 所示。

然后将图片与数据库中所有的比对图片进行关键点匹配，具体做法：数据库中已知标签的图片归一化到相同大小都提取得到关键点，并计算各个关键点处的SIFT特征；未知图片归一化到同样的大小并进行相同的操作，然后将未知标签的图片与数据库中的一张图片逐个计算每两个特征点的特征向量的距离，距离小于一定阈值且方向满足一定要求的则认为是匹配成功，并记录这两幅图片匹配特征点的数目。与数据库中所有图片都进行上述的匹配过程，选取匹配特征点最多的图片，将该图片的标签作为未知图片的标签，就得到了未知图片的类别。在SIFT算法中误判主要来源于：首先，多对特征点集中在车标和车牌这些区域，因此会得到很多匹配的特有些同品牌不同型号的车存在外观上的相似。第二个原因是可以接受的，因为长得很像的车人眼也不容易区分，但是第一个原因值得我们关注，因为特征点过于集中在某些区域实际上就是丢失了一些其他区域的信息，而且集中在车标区域带来的问题是：即使可以很好的区分不同品牌的汽车，但同品牌的不同型号就不易进行区分了。异很大，加上 SIFT 对局部特征描述能力很强所以最后的匹配点明显减少，只需给出匹配线段的一些

角度限制还可以抑制掉更多的误匹配。

3.2.1.算法改进

SIFT算法会具有不稳定的特性。当样本形态颜色等相关特性出现变化时，往往会导致检测结果不稳定。这种不稳定在关键点上表现得更为明显。在车型识别中，由于车辆的特征变化较大，例如，同意品牌的车辆的大小外化以及颜色都会有明显差异，在使用原始SIFT算法进行车型识别的过程中受上述限制，往往会导致结果的不准确。在原始SIFT算法中，特征向量的旋转角往往非常不准确，因此，我们需要修正相关参数。同时，在在原始SIFT算法中，我们使用特征抽样的方式，当采样率低时，关键点间隔较大，无法准确反映样本特性。基于以上的分析，我们改进SIFT算法，使之适用于我们所研究的车型识别。我们采用更加密集的抽样方式，这样虽然会增加系统的复杂度，但是相对于传统SIFT算法的稀疏抽样，它能够更加准确地获得样本信息，是的车型识别的精度有大量提升。同时，为了增加算法的效率，我们使用特殊的数据结构加速SIFT 算法中的匹配过程。具体而言，在本文中，我们使用广为使用的树状结构。树状结构简洁明了，适用于各种分类搜索算法，因此，可以大大加速匹配。在最

后的仿真部分，我们会展现原始算法和改进算法的结果。

3.2深度学习算法

在车型识别中，我们需要根据已有图像的相关特性，并根据特性进行分裂。深度学习可以提取样本特性，并给出分类。尤其对于图像识别，深度学习拥有大量经过实践证实的有效算法。因此，深度学习可以利用与车型识别。在接下来的章节中，我们主要介绍了无监督特征学习和基于SVM 分类器卷积的网络优化，这是使用深度学习实现特征识别的基础。之后，我们建立了车型识别的深度学习模型。在该模型中，使用卷积神经网络进行优化建模，无监督方法进行低纬的特征提取，之后，我们通过提出的特征表示，使用特定的优化准则进行参数优化，得到高纬的特征值。最后，我们通过大量实验证实了深度学习在车型识别中的有效性和可靠性18

3.2.1.无监督特征学习

无监督特征学习[23]包括许多有效地算法，其中，最为常用的是k均值聚类算法。在k均值聚类算法使用自适应稀疏编码和限制性玻尔兹曼机对图像进行特征提取。然而，在使用卷积网络进提取图像特征是，当卷积层数较高时，我们需要大规模的训练，进而极大地增加了算法复杂度。为了使得算法可以被有效的使

用，我们使用k均值聚类快速提取低纬特征。但是，这些特征无法有效地实现识

别分类，尤其是当有突发情况的干扰时，基于k均值聚类快速提取低纬特征的精

度非常低。所以，之后我们需要采用参数优化的方法，从这些低纬参数中提取高

纬参数，保证识别的可靠性。K均值聚类算法通过不断更新聚类中心实现样本分

裂，这是矢量量化（vector quantization）方式。在无监督特征学习过程中，我们将

对k均值聚类算法做改造，通过k均值聚类算法构建一组向量基，这组向量基重构的重构误差最小。在实际设计中，我们往往会用优化来设计。k均值聚类算法可以视作为稀疏编码的推广，差别在于保证稀疏性的区别。稀疏编码最小化

来强制稀疏性，而k均值聚类算法要求码元的非零元素为一。所以，k

均值聚类算法可以有效地进行特征学习学习。同时，由于非零元素较小，我们不需要遍历许多情况，所以k均值聚类算法收敛速度快。在k均值聚类算法中，我们可以构建以下优化问题：

(4-1)

不难看出，上述问题为凸优化问题，因而，我们可以得到最优化单一码本的形式为：

(4-2)

之后，我们可以使用迭代的方法求出所有码本。

当这样的迭代完成，得到训练好的码本，即可利用码本对新的数据进行特

征表示。例如一个已经经过预处理的样本，首先跟码本中的每一个码元计算向量相似度，然后

利用非线性函数映射到特征空间，得到图片特征向量，计算过程如下：

(4-4) 接下来我们采用特例解释k均值聚类算法。以3232 的图片为例，要在

其每个88 图像块（patch）上进行特征计算，则首先将用来训练的88 图像块，都拉成64 维向量，然后聚类得到码本，然后对图像中以为中心的8 8

图像块拉伸成向量后根据公式4-4 计算该点出的特征，对图像块来说就是在做卷积运算，最后整幅图像被表示成2525的特征，完成对图片的无监督特征提取。由上述的分析可见码本的好坏会直接影响提取的特征好坏，下面讨论数据的预处。

在使用k聚类均值算法均时，我们往往采用均值池化，图4-3 给出5×5 均值池化的示意图，左图为25×25 的特征图，可以不重叠的分割成25 个5×5 小块，

每一小块内求取均值代替该区域，就得到了如右图所示的5×5 特征图，这样特征维度就大大降低了，并且仍然能有很好的描述能力。在构建深度神经网络的时候使用卷积运算可以大大减少需要训练的参数数量，但是会导致输出的向量维度大大增加，例如前面举的例子一个32×32 的图像，假设在8×8卷积模板上已经学习得到200 个特征，而每个特征和图像在下一次卷积会得到(32-8+1)×

(32-8+1)=625 维的特征，因此200 个特征都处理后，拼起来会得到大小为156800

维特征，如果图片更大、特征数目更多，最后得到的特征维度过高，不利于分类器分类。考虑到图像一般是平稳的概率分布，因此可以用局部的统计特征去替代具体的特征。均值Pooling 用一个块状区域的均值去替代这个区域，不仅维度得到了降低，也能达到平移不变的效果。因为图像的平稳特性一个地方的统计特征很可能也能在其他区域适用。在进行特征学习的过程中可以使用均值Pooling 处理对特征降维。将k均值聚类算法编码得到的图像特征图进行均值Pooling 后就完成了无监督特征学习，所得结果则是卷积神经网络的输入。

图4-3 均值Pooling 示意图

我们分析了k均值聚类算法进行无监督特征学习的原理，算法总结如下：算法4-1 k均值聚类算法无监督特征学习

输入：训练图片集Training_Set，待提取特征图片P

输出：P 的特征图Feature_maps

Begin：Training_Set =ZCA_whiten(Training_Set);

//对训练图像进行白化

Patches = generation(Training_Set);

//从训练样本生成用于k均值聚类算法聚类的88

图像块

K_kernels= k_means_clustering(Patches);

//利用改造的k均值聚类算法算法学习卷积核

P_whiten=ZCA_whiten(P);

//对原始图像进行白化

For 1 to number of K_kernels

Feature_maps = convolution(P_whiten, K_kernels)

//将白化后的图片与每个卷积核进行卷积

End Feature_maps

=average_pooling(Feature_maps);

//进行均值Pooling 降维处理

End

4.2.基于SVM 卷积的网络优化算法

为了优化k均值聚类算法中，我们可以采用基于SVM 卷积[24]的网络优化算法。该算法在在k均值聚类算法的基础上，在编码层和均值池化层之上，重新使用了新的卷积层和新的均值池化层。下图表示了它们的逻辑关系：

图4-4 神经网络层连接示意图

我们可以看出，接上例均值池化输出大小55 的个特征图，当前层要输出个特征图，则一共要优化得到卷积核。特征图进过第二次卷积（使用22 卷积模板）之后得到一组个大小4 4 的特征图，但直接拉成一维向量作为图像特征维度过高，

所以和无监督特征学习一样，在最后进行均值池化操作，降到适合的维度再拉

成向量作为图像特征。得到图像特征向量后，训练1-vs-all 的SVM 多类分类器，通过减小分类误差，达到优化卷积神经网络的目的。基于上述分析，我们可以构造如下优化问题：

(4-10)

i≥0

通过调整w和b的值，使目标函数取值最小。C参数则控制边缘最大化（margin maximization）和分类误差最小（error minimization）之间的折中。神经网络在第一次前向传播的时候，首先随机初始化卷积核，利用初始化的卷积核计算后图片特征，计算SVM 的分类误差，由于每一层的计算都是可导的，根据链式法则可以逐层求出，误差对每个网络参数的偏导，根据梯度下降算法，通过调整系统参数，使误差逐渐减小。重复上述的前向和后向传递过程，直到结果收敛。注意到，后向传递误差是不包括无监督特征学习部分的，k均值聚类算法在提取低层次特征时性能已经很好，所以无监督学习部分的参数固定不需要进行调整。这相比传统的多层卷积神经网络，大大简化了训练过程。

4.3.车型识别在深度学习中的建模

根据上述研究，我们构建基于深度学习的车型识别模型。首先对训练图片进行 ZCA 白化处理[25]，然后利用 k均值聚类算法进行无监督特征学习得到第一层的特征图，在第一层特征图上做均值 Pooling 得到第二层的特征图，在第二层特征图上再次做卷积，卷积核由基于 SVM 的有监督学习算法完成。为了便于分类器分类，最后在第三层得到的特征图上再次做均值 Pooling，得到图片最终的特征向量，输入到SVM 分类器中进行分类，得到分类结果

。

4.4.深度学习算法设计

k均值聚类算法会受到输入变量大小和训练次数的影响，一般而言，较高的训练次数和较低的变量大小会使得k均值聚类算法有较高的精度。由于本实验的实验样本为5381张图片，数目较少，因此为了减少所需要确定的参数数目保证实验效果，我们需要归一化图片大小。因而，实验步骤可以总结如下：

1）对归一化图片进行ZCA 白化处理；

2）第一层k均值聚类算法聚类得到88的卷积核，对图像卷积获得2555的特征图；

3）对各个特征图进行均值池化，处理后我们可以获得大小改变的特征图；

4）使用18048 个2 2 大小的卷积核，得到180 个410 大小的特征图；

5）分别对每个特征图进行2 2 区域内均值池化得到大小25的特征图；

6）所有特征图拉成1800 维特征向量输入到SVM 分类器进行分类。

接下来，我们分析算法中各个实现步骤对算法的影响。我们主要从从ZAC 白化和k均值聚类卷积这两方面分析。首先，我们分析ZAC 白化对特征学习的影响。我么对特定图片进行进行ZAC 白化处理，然后比较白化和未白化的效果：

-s

车辆识别代号管理办法

车辆识别代号管理办法(试行) 中华人民共和国国家发展和改革委员会公告 2004年第66号 为加强车辆生产企业及产品管理，规范车辆识别代号的管理和使用，根据国家有关法律、法规，国家发展和改革委员会决定制定《车辆识别代号管理办法(试行)》，现予以发布，请各有关单位遵照执行。 本管理办法自2004年12月1日起施行。原国家机械工业局《车辆识别代号(VIN)管理规则》(CMVRA01-01，国机管[1999]20号)同时废止。 中华人民共和国国家发展和改革委员会 二○○四年十一月二日 目录 第一章总则 第二章WMI的申请、批准和备案 第三章VIN的编制和VIN编制规则的备案 第四章VIN的标示和使用 第五章监督管理 第六章附则 第一章总则 第一条为了加强车辆识别代号管理，规范车辆识别代号(英文：VehicleIdentificationNumber，以下简称：VIN)的编制、标示和使用，制定本办法。 第二条本办法适用于在中华人民共和国境内制造、销售的道路机动车辆以及需要标示VIN的其它类型车辆产品，包括完整车辆产品和非完整车辆产品。 第三条中华人民共和国境内的车辆生产企业及进口车辆生产企业均应按照本办法的规定在生产、销售的车辆产品上标示VIN。 第四条国家发展和改革委员会(以下简称国家发展改革委)负责VIN的监督、管理，中国

汽车技术研究中心(以下简称工作机构)承办有关具体工作。 第五条VIN是指车辆生产企业为了识别某一辆车而为该车辆指定的一组字码，由17位字码构成，分为三部分：世界制造厂识别代号(英文：WorldManufacturerIdentifier，以下简称：WMI)、车辆说明部分(英文：VehicleDescriptorSection，以下简称：VDS)、车辆指示部分(英文：VehicleIndicatorSection，以下简称：VIS)。 第二章WMI的申请、批准和备案 第六条在中华人民共和国境内从事道路机动车辆生产的企业，均应按照本办法的规定申请WMI。 其它类型车辆产品需要标示VIN时，其生产企业也应按照本办法的规定申请WMI。 第七条申请WMI的企业，应具备以下条件： (一)具有独立法人资格; (二)遵守国家有关法律、法规; (三)符合国家产业政策及宏观调控的要求; (四)符合国家道路机动车辆生产企业准入管理规定。 第八条申请WMI的企业应向工作机构提出申请，申请时应如实填写《世界制造厂识别代号(WMI)申请表》(附件一)，并提交相应的证明材料。其中道路机动车辆生产企业应提交以下材料： (一)企业营业执照(复印件); (二)符合国家汽车产业政策及车辆生产准入条件的相关证明; (三)获得国家车辆生产许可的情况说明; (四)企业实际生产条件、生产情况说明; (五)所生产的车辆产品类型及年产量的说明; (六)车辆品牌的有关证明材料; (七)现场审查前还应依据《车辆识别代号管理现场审查实施办法》(另行制定)提交相关资料。 第九条工作机构收到企业的申请之后，应根据下列情况分别作出处理：

车辆型号的识别

车辆型号的识别 车辆编码的内容有五部分： 1、企业名称代号； 2、车辆类别代号； 3、主要参数代号； 4、产品序号； 5、企业自定代号。 1、企业名称代号用2位汉语拼音表示。如： CA表示一汽、EQ表示二汽、BJ表示北京、NJ表示南京。 2、车辆类别代号用1位阿拉伯数字表示。 用1表示载重汽车；2表示越野汽车；3表示倾卸汽车；4表示牵引车；5表示特种车； 6表示客车（大、中、小）；7表示轿车；8表示挂车；9表示半挂车、加长货挂车。 3、主要参数代号用2位阿拉伯数字表示。 ①在载重货车中，这两位数表示的是车辆总质量（车辆自重和载重量之和）； ②在轿车中这两位数表示的是汽车的排气量（单位：升）； ③客车中这两位数表示的是车身长度（单位：m）。 4、产品序号用1位阿拉伯数字表示。用0、1、2分别表示车型的改动及改型情况。 5、企业自定代号： 第一汽车制造厂企业自定代号： A——带空调 B——自卸 C——超豪华或牵引车底盘柴油车 D——客车底盘 E——高栏板 K——柴油车〈K2=大连柴油机，K1=德国道依茨发动机,K4=无锡柴油机〉 P——平头车〈P=两个雨刮片平头两个雨刮片平头驾驶室〈FK型驾驶室〉。P1=三个雨刮片平头驾驶室，比P 宽近200MM〈FP型驾驶室〉。 P2=加宽型三个雨刮片平头驾驶室，比P1宽近312MM〈FM型驾驶室〉。 如企业自定部分有P或P1的同时还有H时，驾驶室在P或P1基础上加宽一级〉 R——带卧铺 S——加油车底盘 T——双桥驱动 L——长轴距 Y——右方向 Z——出口汽车 H——宽体驾驶室

举例： CA 1 09 0 K2L2 1 2 3 4 5 1——企业名称代号 2——车辆类别代号 3——主要参数代号 4——产品序号 5——企业自定代号 长春第一汽车制造厂生产的各种货车有100多个品种，我们要准确地确定定损的车型，一定要将车辆上的型号牌抄准，抄全。在更换发动机零件时不要忘记注明发动机的型号。方向机是机械式还是液力式要标明。更换轮胎时要标注轮胎型号。由于承载的吨位不同车辆的前桥，钢板弹簧，大梁随吨位变化而不同。发动机功率变化而产生的水箱尺寸变化，变速器，传动轴，后桥体及差速器变化。这些变化都体现在车辆型号中，我们要熟练掌握车辆型号，钻研其内涵，为做好工作打下坚实基础。 第二汽车制造厂企业自定代号： G——平头驾驶室一排半 T——平头驾驶室单排 N——平头驾驶室双排 D——发动机 F——尖头驾驶室尾部 阿拉伯数字——货箱长度国产汽车的型号牌及位置：国产汽车的型号牌的位置一般都在仪表台的右侧或驾驶室后门柱上：一汽货车的型号牌的位置一般都在大梁右侧（副驾驶员一侧）。二汽货车型号牌一般在驾驶室里面。大梁右侧尾部用钢印打有底盘号码。 国产汽车型号牌车型—————发动机型号———发动机排气量——座位—————产地生产公司 国产内燃机型号：内燃机型号是由阿拉伯数字和汉语拼音文字的首位字母组成。为避免字母重复，可借用其它汉语拼音字母，但不得用其它文字或代号。内燃机型号的组成：内燃机型号应能反映出它的主要结构及性能，由以下几部分组成：（1）首部首部表示气缸数符号。气缸数用数字表示。（2）中部中部表示机型系列。用字母表示冲程数E—表示冲程，无E表示四冲程；用数值表示气缸直径（小数点后面的数字不列出）。（3）尾部尾部表示机器特征和变型符号，机器特征用字母表示；变型符号用数字表示顺序，与前面的符号用一短横隔开，该数字序号由系列产品的主导厂按产品出现的顺序统一编号。（4）型号的排列顺序和符号型号的排列顺序和符号规定如下：首部中部尾部变型符号，用数字顺序表示用数字缸径符号用机器特征符号，用字母表示表示气缸数冲程符号用气缸直径的下列特征： E表示二冲程，毫米数来表 Q—汽车用不用此符号表示，但不列 T—拖拉机用示四冲程出小数点后 C—船用面的数字。 J—铁路牵引用 Z—增压（无Z非增压） K—复合式 F—风冷无符号表示—水冷 （5）举例： 6102Q汽油机—表示六缸、四行程、缸径102mm水冷、汽车用。 492Q汽油机—表示四缸、四行程、缸径92mm、水冷、汽车用。 6100Q-1汽油机—表示六缸、四行程、缸径100mm、水冷、汽车用、第一种变型产品。 6135C-1柴油机—

基于深度学习的图像识别

基于深度学习的图像识别 摘要：本文讨论了两种实现图像识别的深度学习(Deep Learning,DL)方法：卷积神经网络（Convolution Neural Network,CNN)与深度信念网络(Deep Belief Network,DBN)。 关键词：深度学习，卷积神经网络，深度信念网络 1前言 在计算机图像处理中，最困难但又最让人兴奋的任务就是让机器可以实现图像分类，从而通过图像识别物体的种类。 这项任务很难实现。在数据库中的图像总是在不同状态下记录的。这意味这光线与角度的多变性。 而可运用的计算能力的限制是一大障碍。我们不可能像让人类识别图像一样让机器识别图像。计算能力的限制导致可供训练与测试的数据有限，而模型的复杂程度也受到限制。 但是，目前这种情况得到极大的改善。综合多CPU/综合多GPU系统（multi-CPU/multi-GPU systems)使得运行高速神经网络成为现实，而费用也可以负担得起。人们对深度学习模型在图像识别与机器学习中的应用兴趣渐浓，而与之对抗的传统模型日渐式微。目前最具意义的研究方向就是运用深度学习模型，处理综合数据库中的图像识别问题。 本文主要关注深度神经网络（DNN）在图像识别在的作用。 深度神经系统主要有多层特征提取单元组成。低层特征提取单元提取了简单特征，之后依照该单元的规模进行学习，并按该单元的权重或参照物将特征反馈给高层特征提取单元。而高层特征提取单元可以提取更复杂的特征。 目前有一些实现深层学习网络的方法。深度信念网络（DBN）一个多层生成模型，而每一层都是一个统计编码器（statistical encoder)。这些统计编码器都是基于附属于它的更低层的结点（unit）。而这种训练主要关注训练数据中的最大化概率。 DBN在众多领域都有成功运用，如手写数据识别与人类手势识别。 另一个深度学习模型是卷积神经网络（CNN），与相似层次尺寸的标准化前向反馈网络不同，这个模型所需的连接与参照物比较少，使其训练也更简单。 层次深，规模大的DNN结构往往可以产生最好的结果。这意味这我们需要数量巨大的基础样本与种类丰富的训练样本，以确保面对状况多变的数据时，我们的训练数据仍代表性。 2 模型介绍 人类的视觉系统可以在多种情况下高效识别物体，而对计算机算法，这个任务并不简单。 深度神经网络便是模拟哺乳动物视觉网络。这已被验证为这项任务的最佳实现方案。目前,有人已运用这种模型，设计出识别准确性可能高于人类的机器图像识别系统。 2.1 卷积神经网络（CNN） 卷积神经网络系统（CNNs）是专注处理图案识别的多层网络系统。它是多层感知器（Multi-Layer Percentrons，MLPs）的变体，灵感来自于生物系统。 CNNs是分层型（hierarchical）神经网络。通过运用卷积计算（convolution）将集成层（pooling layers）交织起来，CNNs可以实现特征信息的自动提取，形成可完成最终分类的一系列全连接的网络层次。 卷积神经网络 结构：输入，卷积，深层取样（sub-sampling)/总集成与分类层（max-pooling and classification layers) 2.1.1 卷积层（Convolution layer） 卷积成通常可由特征图（feature map）的数目，核（kernel）的大小(sizes)，与先前层的联系来展现。 每一层都包含了相同维度的特征图M，如 ) , ( y x M M；这些特征图可以通过先前层的一系列卷积运算得到。而在这些运算中，它们之间有相互关

GB21861机动车安全技术检验项目和方法word版

机动车安全技术检验项目和方法 1 范围 本标准规定了机动车安全技术检验的检验项目、检验方法、检验要求和检验结果处置。 本标准适用于机动车安全技术检验机构对机动车进行安全技术检验。本标准也适用于出入境检验检疫机构对入境机动车进行安全技术检验。经批准进行实际道路试验的机动车和临时入境的机动车，可参照本标准进行安全技术检验。 本标准不适用于拖拉机运输机组等上道路行驶的拖拉机的安全技术检验。 2 规范性引用文件 下列文件对于本文件的应用是必不可少的。凡是注日期的引用文件，仅所注日期的版本适用于本文件。凡是不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。 GB 1589 道路车辆外廓尺寸、轴荷及质量限值 GB 4785 汽车及挂车外部照明和光信号装置的安装规定 GB 7258-2012 机动车运行安全技术条件 GB 11567.1 汽车和挂车侧面防护要求 GB 11567.2 汽车和挂车后下部防护要求 GB 13094 客车结构安全要求 GB 13392 道路运输危险货物车辆标志 GB 16735 道路车辆车辆识别代号(VIN) GB 18986 轻型客车结构安全要求 GB 19151 机动车用三角警告牌 GB 20300 道路运输爆炸品和剧毒化学品车辆安全技术条件 GB 24315 校车标识 GB 24407 专用校车安全技术条件 GB 25990 车辆尾部标志板 GB/T 3730.2 道路车辆质量词汇和代码 GB/T 3730.3 汽车和挂车的术语及其定义车辆尺寸 GB/T 17676 天然气汽车和液化石油气汽车标志 GB/T 19056 汽车行驶记录仪 GB/T 26765 机动车安全技术检验业务信息系统及联网规范 GA 36 中华人民共和国机动车号牌 GA 802 机动车术语类型和定义 GA 804 机动车号牌专用固封装置 GA 1186 机动车安全技术检验监管系统通用技术条件 3 术语和定义

汽车产品型号(车辆型号)编码规则及注意事项

汽车产品型号(车辆型号)编码规则及注意事项 汽车产品型号(车辆型号)，是为了识别车辆而制定的由一组汉语拼音字母和阿拉伯数字组成的编号。我国对汽车产品型号的编制是根据GB9417-88《汽车产品型号编制规则》。其基本型号由两位或三位汉语拼音字母和四至五位数字组成，见图1-1。 图1-1 汽车产品型号（车辆型号）编码 为了避免与数字混淆，不应采用汉语拼音字母中的“I”和“O”。 1.2.1企业名称代号 用企业名称或所在地名称的两个或三个汉语拼音字母表示。常见部分企业名称代号见表1-1。表1-1 企业名称代号对照表 企业名称企业代号企业名称企业代号第一汽车集团公司CA重庆红岩汽车有限公司CQ 东风汽车有限公司EQ陕西汽车集团有限公司SX 北京汽车集团有限公司BJ北京现代汽车有限公司BH 天津一汽夏利汽车公司TJ天津一汽丰田汽车公司TV 跃进汽车集团公司NJ沈阳华晨金杯汽车公司SY 丹东黄海汽车有限公司DD江西昌河汽车有限公司CH 东南汽车工业有限公司DN长丰汽车制造有限公司CJY

1.2.2车辆类别代号 详见下表1-2。 表1-2车辆类型代号对照表 1.2.3主参数代号 载货汽车、越野汽车、自卸汽车、牵引汽车、专用汽车与半挂车的主参数代号为车辆的总质量，都以“吨”为单位。牵引汽车的总质量包括牵引座上的最大质量。当总质量在100吨以上，允许用三位数字表示。

客车以及半挂客车的主参数代号为车辆长度，以“米”为单位，当车辆长度小于10米时应精确到小数点后一位，并以长度（米）值的十倍数表示。 轿车的主参数代号为发动机排量，以“升”为单位，应精确到小数点后一位，并以其值的十倍数值表示。 专用汽车及专用半挂车的主参数代号，当采用定型汽车底盘或定型半挂车底盘改装时，若其主参数与定型底盘原车的主参数之差不大于10%，则应沿用原车的主参数代号。 主参数不足规定位数时，在参数前以“0”占位。 1.2.4产品序号 各类汽车的产品序号位于产品型号的第四部分，用阿拉伯数字表示，数字由0、1、2……依次使用。 1.2.5企业自定代号 企业自定代号位于产品型号的最后部分，同一汽车结构略有变化而需要区别时（例如汽油、柴油发动机，长、短轴距，单、双排座驾驶室，平、凸头驾驶室，左、右置方向盘等），可用汉语拼音字母和阿拉伯数字表示，位数也由企业自定。供用户选装的零部件（如暖风装置、收音机、地毯、纹盘等）不属结构特征变化，应不给予企业自定代号。(详细可见1.2.8代号含义) 1.2.6车辆型号编码规则实例 例1：金旅XML6127E22客车 表示厦门金龙旅行车有限公司生产的金旅牌客车，总长12米。 例2：迈腾FV7207轿车 表示一汽-大众汽车有限公司生产的迈腾牌轿车，发动机排量2.0升。 例3：解放CA3160K2A80 表示第一汽车集团公司生产的解放牌自卸车，车辆总质量16吨。 例4：东风EQ1123G5ADA载货汽车

车辆型号的识别方法

车辆车辆编码的内容有五部分： 1、企业名称代号； 2、车辆类别代号； 3、主要参数代号； 4、产品序号； 5、企业自定代号。 1、企业名称代号用2位汉语拼音表示。 如：CA表示一汽、EQ表示二汽、BJ表示北京、NJ表示南京。 2、车辆类别代号用1位阿拉伯数字表示。 用1表示载重汽车；2表示越野汽车；3表示倾卸汽车；4表示牵引车；5表示特种车；6表示客车（大、中、小）；7表示轿车；8表示挂车；9表示半挂车、加长货挂车。 3、主要参数代号用2位阿拉伯数字表示。 ①在载重货车中，这两位数表示的是车辆总质量（车辆自重和载重量之和）； ②在轿车中这两位数表示的是汽车的排气量（单位：升）； ③客车中这两位数表示的是车身长度（单位：m）。 4、产品序号用1位阿拉伯数字表示。用0、1、2分别表示车型的改动及改型情况。 5、企业自定代号： 第一汽车制造厂企业自定代号： A——带空调 B——自卸 C——超豪华或牵引车底盘柴油车 D——客车底盘 E——高栏板 K——柴油车〈K2=大连柴油机，K1=德国道依茨发动机,K4=无锡柴油机〉 P——平头车〈P=两个雨刮片平头两个雨刮片平头驾驶室〈FK型驾驶室〉。 P1=三个雨刮片平头驾驶室，比P宽近200MM〈FP型驾驶室〉。 P2=加宽型三个雨刮片平头驾驶室，比P1宽近312MM〈FM型驾驶室〉。如企业自定部分有P或P1的同时还有H时，驾驶室在P或P1基础上加宽一级〉 R——带卧铺 S——加油车底盘 T——双桥驱动 L——长轴距 Y——右方向 Z——出口汽车 H——宽体驾驶室 举例：CA 1 09 0 K2L2 1 2 3 4 5 1——企业名称代号 2——车辆类别代号 3——主要参数代号 4——产品序号 5——企业自定代号 长春第一汽车制造厂生产的各种货车有100多个品种，我们要准确地确定定损的车型，一定

中国重汽车辆识别代号(VIN)编制规则

精心整理 车辆识别代号（VIN ）编制规则 中国重型汽车集团有限公司销售公司用户服务中心 车辆识别代号（VIN ）编制规则 1范围 本标准规定了中国重型汽车集团有限公司使用的车辆识别代号（VIN ）编制规则。 本标准适用于中国重型汽车集团有限公司生产的各种品牌的汽车产品。 2 分，世（VDS-）。 2.1 LZZ —适用于载货车（包括普通载货汽车、自卸车、牵引车、越野车和专用车）、挂车及载货车非完整车 辆； LZK —适用于客车及客车非完整车辆。 2.2第二部分，车辆说明部分（VDS ）——车辆说明部分由六位字码组成，此部分应能识别车辆的一般特征，根据GB16735要求，每位字码规定如下： 2.2.1VDS 第一位字码表示车辆的品牌及驾驶室类型（或车身特征），具体规定见表1。 表1车辆品牌及驾驶室类型（或车身特征）代码

a）对于载货类汽车及其底盘用驱动型式和汽车总质量（吨）表示，汽车总质量（吨）精确到个位，修 约规则按GB/T8170。具体规定见表3。

表3驱动型式和汽车总质量代码 2.2.4

VDS第四位字码表示发动机（或电动机）功率范围、燃料类型等，对无动力装置车辆，填写字母Z占位。发动机（或电动机）功率精确到个位，修约规则按GB/T8170。具体规定见表6。 表6发动机（电动机）功率范围及燃料类型代码 牵引销见表7。 2.2.6VDS第六位字码表示检验位 检验位可为0—9中任一数字或字母“X”，其作用是核对VIN记录的准确性。制造厂在确定了VIN的其它十六位字码后，检验位应由以下方法计算得出。

a）VIN中的数字和字母对应值如表8、表9所示： 表8VIN中的数字对应值 表9VIN中的字母对应值 表10VIN位置对应加权系数 表12装配厂代码

怎么查汽车型号

怎么查汽车型号 篇一：汽车型号怎么看 汽车型号怎么看 讲解示例ZN5024XZHW1G4 前四位数字表示汽车型号。第一位是车辆类型，1载货车 2越野车 3自卸车 4半挂牵引车 5箱式车 6客车 7轿车第二、三位表示车辆的可以承受的总质量（单位吨 t）也就是06表示连车带货总质量为6吨 第四位没什么意义，厂商自定义 后面字母表示 A有空调客车底盘 B自卸车底盘 C牵引车底盘 D公共汽车底盘 E高拦板 F后轮单轮货车底盘 G高动力性能汽车 H豪华轿车 J检阅用轿车 K柴油车 L长轴距

M高原车 N液化煤汽车 P平头车 Q起重车底盘 R双排座或卧铺 S加油车底盘 T非4×2的驱动形式 U客货两用车 V厢式货车 W运木材车 X消防车底盘 Y右置转向盘车 Z出口车 后面的L应该是加长轴距 102后面单位应该是mm不是cm,表示缸径 另一种说法： 都是没有规则的,不同的公司有各自的规则! 法拉利汽车型号 法拉利汽车的型号一般是用“F”打头(F是法拉利英文Ferrari的首个字母，但也有部分车型出投有F字母，而后面数字大多是和发动机排量有关，一般是一二位数字表示排量，第三位表示气缸数。但也有例外，如：F355：355的前两位数字35代

表其排量为3.5L，而最后一位数字5代表每气缸有5个气门。 F512M：512代表其排气量为5L，且有12气缸，M代表它的外观经过改款。 F50：50代表该车是法拉利汽车厂建厂50周年的纪念车。 550Maranello：该车型命名比较复杂，也具有多重意义。550首先代表其排气量为5.5L，其次，在推出之时正逢法拉利汽车厂建厂50周年志庆，Maranello则是法拉利汽车厂所在城市的名称。 奥迪汽车型号 大部分奥迪汽车的型号是用公司英文(Audi)的第一个字母“A”打头，如奥迪 A2、A3、A4、A6、A8系列等。后面的数字越大表示等级越高：A2、A3系列是小型轿车；A4系列是中级轿车；A6系列是高级轿车；A8系列是豪华轿车(目前A8是奥迪最高档的轿车)。 除了以A字打头的轿车外，奥迪还有S系列和TI系列：S系列多是高性能车型，但并非是越野车，主要有S3、S6及S8等；TT系列则全部是跑车。奔驰汽车型号 奔驰汽车前面的字母表示类型和级别：A级是小型单厢车，C 级为小型轿车，E级为中级轿车，S级为高级轿车，M级为SUV，G 级为越野车，V级为多功能厢式车，SLK为小型跑车，CLK为中型跑车，SL为高级跑车，CL为高级轿跑车，SLR为超级跑车。

中国重汽车辆识别代号(VIN)编制规则

车辆识别代号（VIN）编制规则中国重型汽车集团有限公司销售公司用户服务中心

车辆识别代号（VIN ）编制规则 1 范围 本标准规定了中国重型汽车集团有限公司使用的车辆识别代号（VIN ）编制规则。 本标准适用于中国重型汽车集团有限公司生产的各种品牌的汽车产品。 2 车辆识别代号的组成 车辆识别代号（VIN-Vehicle Identification Number ）由三部分组成（如图所示）：第一部分，世界制造厂识别代号（WMI-World manufacturer identifier ）；第二部分，车辆说明部分（VDS-Vehicle Descriptive Section ）；第三部分，车辆指示部分（VIS-vehicle indicator section ）。 WMI VDS VIS 图1 例如: LZZ5ELND68W339696 ZZ3257N3647B LZZ5CLS B89A389815 ZZ4257S 3241V LZZ5BBMF 98A350095 ZZ1167M4611W 2.1第一部分（WMI ）——世界制造厂识别代号由三位字码组成，按照GB 16737的规定，由国家有关部门指定。中国重型汽车集团有限公司目前经过申请被允许使用的世界制造厂识别代号（WMI ）如下： LZZ —适用于载货车（包括普通载货汽车、自卸车、牵引车、越野车和专用 车）、挂车及载货车非完整车辆； LZK —适用于客车及客车非完整车辆。

2.2第二部分，车辆说明部分（VDS）——车辆说明部分由六位字码组成，此部分应能识别车辆的一般特征，根据GB 16735要求，每位字码规定如下： 2.2.1VDS第一位字码表示车辆的品牌及驾驶室类型（或车身特征），具体规定见表1。 2.2.2 VDS第二位字码表示车辆的类型、货厢特征及发动机（或电动机）布置。车辆类型按GB/T 3730.1及GB/T 17350规定划分。具体规定见表2。 表2 车辆类型、货厢（或车身）特征及发动机（或电动机）布置代码

车辆型号的识别

车辆型号的识别 车辆车辆编码的内容有五部分：1、企业名称代号；2、车辆类别代号；3、主要参数代号；4、产品序号；5、企业自定代号。 1、企业名称代号用2位汉语拼音表示。如：CA表示一汽、EQ表示二汽、BJ 表示北京、NJ表示南京。 2、车辆类别代号用1位阿拉伯数字表示。用1表示载重汽车；2表示越野汽车；3表示倾卸汽车；4表示牵引车；5表示特种车；6表示客车（大、中、小）；7表示轿车；8表示挂车；9表示半挂车、加长货挂车。 3、主要参数代号用2位阿拉伯数字表示。①在载重货车中，这两位数表示的是车辆总质量（车辆自重和载重量之和）；②在轿车中这两位数表示的是汽车的排气量（单位：升）；③客车中这两位数表示的是车身长度（单位：m）。 4、产品序号用1位阿拉伯数字表示。用0、1、2分别表示车型的改动及改型情况。 5、企业自定代号： 第一汽车制造厂企业自定代号：A——带空调B——自卸C——超豪华或牵引车底盘柴油车D——客车底盘E——高栏板K——柴油车〈K2=大连柴油机，K1=德国道依茨发动机,K4=无锡柴油机〉P——平头车〈P=两个雨刮片平头两个雨刮片平头驾驶室〈FK型驾驶室〉。P1=三个雨刮片平头驾驶室，比P宽近200MM〈FP型驾驶室〉。P2=加宽型三个雨刮片平头驾驶室，比P1宽近312MM 〈FM型驾驶室〉。如企业自定部分有P或P1的同时还有H时，驾驶室在P 或P1基础上加宽一级〉R——带卧铺S——加油车底盘T——双桥驱动L——长轴距Y——右方向Z——出口汽车H——宽体驾驶室举例：CA 1 09 0 K2L2 1 2 3 4 5 1——企业名称代号2——车辆类别代号3——主要参数代号4——产品序号5——企业自定代号 长春第一汽车制造厂生产的各种货车有100多个品种，我们要准确地确定定损的车型，一定要将车辆上的型号牌抄准，抄全。在更换发动机零件时不要忘记注明发动机的型号。方向机是机械式还是液力式要标明。更换轮胎时要标注轮胎型号。由于承载的吨位不同车辆的前桥，钢板弹簧，大梁随吨位变化而不同。发动机功率变化而产生的水箱尺寸变化，变速器，传动轴，后桥体及差速器变化。这些变化都体现在车辆型号中，我们要熟练掌握车辆型号，钻研其内涵，为做好工作打下坚实基础。第二汽车制造厂企业自定代号：G——平头驾驶室一排半T——平头驾驶室单排N——平头驾驶室双排D——发动机F——尖 头驾驶室尾部阿拉伯数字—— 货箱长度国产汽车的型号牌及位置：国产汽车的型号牌的位置一般都在仪表台的右侧或驾驶室后门柱上：一汽货车的型号牌的位置一般都在大梁右侧（副驾驶员一侧）。二汽货车型号牌一般在驾驶室里面。大梁右侧尾部用钢印打有底盘号码。国产汽车型号牌车型—————发动机型号———发动机排气量——座位—————产地生产公司国产内燃机型号：内燃机型号是由阿拉伯数字和汉语拼音文字的首位字母组成。为避免字母重复，可借用其它汉语拼音字母，但不得用其它文字或代号。内燃机型号的组成：内燃机型号应能反映出它的主要结构及性能，由以下几部分组成：（1）首部首部表示气缸数符号。气缸数用数字表示。（2）中部中部表示机型系列。用字母表示冲程数E—表示冲程，无

国产车辆车型代号的识别

国产车辆车型代号的识别 企业名称商标产品名称产品型号 天津一汽丰田汽车有限公司丰田(TOYOTA)牌轿车TV7166 四川一汽丰田汽车有限公司丰田(TOYOTA)牌轿车CA7180、CA7160 在本期的目录中一汽丰田申请了三个编号，其中四川一汽丰田的申请的两个编号比较熟悉，CA7180、CA7160本来是卡罗拉的编号，这两款车型很可能就是目前的卡罗拉车型。 另外一个变化比较神奇，那就是TV7166，这是一个全新的编号之前没有出现过。目前还没有报道一汽丰田要推出全新车型，本人猜测可能是全新一代卡罗拉。卡罗拉在国内上市已经有一段时间了，相比一系列全新车型，卡罗拉显得车型较老，推出全新车型正是时机。 车辆车辆编码的内容有五部分：1、企业名称代号；2、车辆类别代号；3、主要参数代号；4、产品序号；5、企业自定代号。 1、企业名称代号用2位汉语拼音表示。如：CA表示一汽、EQ表示二汽、BJ表示北京、NJ表示南京。 2、车辆类别代号用1位阿拉伯数字表示。用1表示载重汽车；2表示越野汽车；3表示倾卸汽车；4表示牵引车；5表示特种车；6表示客车（大、中、小）；7表示轿车；8表示挂车；9表示半挂车、加长货挂车。 3、主要参数代号用2位阿拉伯数字表示。①在载重货车中，这两位数表示的是车辆总质量（车辆自重和载重量之和）；②在轿车中这两位数表示的是汽车的排气量（单位：升）； ③客车中这两位数表示的是车身长度（单位：m）。 4、产品序号用1位阿拉伯数字表示。用0、1、2分别表示车型的改动及改型情况。 5、企业自定代号： 第一汽车制造厂企业自定代号：A——带空调B——自卸C——超豪华或牵引车底盘柴油车D——客车底盘E——高栏板K——柴油车〈K2=大连柴油机，K1=德国道依茨发动机,K4=无锡柴油机〉P——平头车〈P=两个雨刮片平头两个雨刮片平头驾驶室〈FK型驾驶室〉。P1=三个雨刮片平头驾驶室，比P宽近200MM〈FP型驾驶室〉。P2=加宽型三个雨刮片平头驾驶室，比P1宽近312MM〈FM型驾驶室〉。如企业自定部分有P或P1的同时还有H时，驾驶室在P或P1基础上加宽一级〉R——带卧铺S——加油车底盘T——双桥驱动L——长轴距Y——右方向Z——出口汽车H——宽体驾驶室举例：CA 1 09 0 K2L2 1 2 3 4 5 1——企业名称代号2——车辆类别代号3——主要参数代号4——产品序号5——企业自定代号 长春第一汽车制造厂生产的各种货车有100多个品种，我们要准确地确定定损的车型，一定要将车辆上的型号牌抄准，抄全。在更换发动机零件时不要忘记注明发动机的型号。方向机是机械式还是液力式要标明。更换轮胎时要标注轮胎型号。由于承载的吨位不同车辆的前桥，钢板弹簧，大梁随吨位变化而不同。发动机功率变化而产生的水箱尺寸变化，变速器，传动轴，后桥体及差速器变化。这些变化都体现在车辆型号中，我们要熟练掌握车辆型号，钻研其内涵，为做好工作打下坚实基础。第二汽车制造厂企业自定代号：G——平

车辆型号识别

车辆型号的识别 车辆编码的内容有五部分: 1,企业名称代号; 2,车辆类别代号; 3,主要参数代号; 4,产品序号; 5,企业自定代号. 1,企业名称代号用2位汉语拼音表示.如: CA表示一汽,EQ表示二汽,BJ表示北京,NJ表示南京. 2,车辆类别代号用1位阿拉伯数字表示. 用1表示载重汽车;2表示越野汽车;3表示倾卸汽车;4表示牵引车;5表示特种车; 6表示客车(大,中,小);7表示轿车;8表示挂车;9表示半挂车,加长货挂车. 3,主要参数代号用2位阿拉伯数字表示. ①在载重货车中,这两位数表示的是车辆总质量(车辆自重和载重量之和); ②在轿车中这两位数表示的是汽车的排气量(单位:升); ③客车中这两位数表示的是车身长度(单位:m). 4,产品序号用1位阿拉伯数字表示.用0,1,2分别表示车型的改动及改型情况. 5,企业自定代号: 第一汽车制造厂企业自定代号: A——带空调 B——自卸 C——超豪华或牵引车底盘柴油车 D——客车底盘 E——高栏板 K——柴油车〈K2=大连柴油机,K1=德国道依茨发动机,K4=无锡柴油机〉 P——平头车〈P=两个雨刮片平头两个雨刮片平头驾驶室〈FK型驾驶室〉.P1=三个雨刮片平头驾驶室,比P宽近200MM〈FP型驾驶室〉. P2=加宽型三个雨刮片平头驾驶室,比P1宽近312MM〈FM型驾驶室〉. 如企业自定部分有P或P1的同时还有H时,驾驶室在P或P1基础上加宽一级〉R——带卧铺 S——加油车底盘 T——双桥驱动 L——长轴距 Y——右方向 Z——出口汽车

H——宽体驾驶室 举例: CA 1 09 0 K2L2 1 2 3 4 5 1——企业名称代号 2——车辆类别代号 3——主要参数代号 4——产品序号 5——企业自定代号 长春第一汽车制造厂生产的各种货车有100多个品种,我们要准确地确定定损的车型,一定要将车辆上的型号牌抄准,抄全.在更换发动机零件时不要忘记注明发动机的型号.方向机是机械式还是液力式要标明.更换轮胎时要标注轮胎型号.由于承载的吨位不同车辆的前桥,钢板弹簧,大梁随吨位变化而不同.发动机功率变化而产生的水箱尺寸变化,变速器,传动轴,后桥体及差速器变化.这些变化都体现在车辆型号中,我们要熟练掌握车辆型号,钻研其内涵,为做好工作打下坚实基础. 第二汽车制造厂企业自定代号: G——平头驾驶室一排半 T——平头驾驶室单排 N——平头驾驶室双排 D——发动机 F——尖头驾驶室尾部 阿拉伯数字——货箱长度国产汽车的型号牌及位置:国产汽车的型号牌的位置一般都在仪表台的右侧或驾驶室后门柱上:一汽货车的型号牌的位置一般都在大梁右侧(副驾驶员一侧).二汽货车型号牌一般在驾驶室里面.大梁右侧尾部用钢印打有底盘号码. 国产汽车型号牌车型—————发动机型号——— 发动机排气量——座位————— 产地生产公司 国产内燃机型号:内燃机型号是由阿拉伯数字和汉语拼音文字的首位字母组成.为避免字母重复,可借用其它汉语拼音字母,但不得用其它文字或代号.内燃机型号的组成:内燃机型号应能反映出它的主要结构及性能,由以下几部分组成1)首部首部表示气缸数符号.气缸数用数字表示.(2)中部中部表示机型系列.用字母表示冲程数E—表示冲程,无E表示四冲程;用数值表示气缸直径(小数点后面的数字不列出).(3)尾部尾部表示机器特征和变型符号,机器特征用字母表示;变型符号用数字表示顺序,与前面的符号用一短横隔开,该数字序号由系列产品的主导厂按产品出现的顺序统一编号.(4)型号的排列顺序和符号型号的排列顺序和符号规定如下: 首部中部尾部变型符号,用数字顺序表示用数字缸径符号用机器特征符号,用字母表示表示气缸数冲程符号用气缸直径的下列特征: E表示二冲程, 毫米数来表Q—汽

2004年第66号车辆识别代号管理办法(试行)

中华人民共和国国家发展和改革委员会 公告 2004年第66 号 为加强车辆生产企业及产品管理，规范车辆识别代号的管理和使用，根据国家有关法律、法规，国家发展和改革委员会决定制定《车辆识别代号管理办法（试行）》，现予以发布，请各有关单位遵照执行。 本管理办法自2004年12月1日起施行。原国家机械工业局《车辆识别代号（VIN）管理规则》（CMVR A01-01，国机管[1999]20号）同时废止。 中华人民共和国国家发展和改革委员会 二○○四年十一月二日 车辆识别代号管理办法（试行） 第一章总则 第一条为了加强车辆识别代号管理，规范车辆识别代号（英文：VehicleIdentificationNumber，以下简称：VIN）的编制、标示和使用，制定本办法。 第二条本办法适用于在中华人民共和国境内制造、销售的道路机动车辆以及需要标示VIN的其它类型车辆产品，包括完整车辆产品和非完整车辆产品。 第三条中华人民共和国境内的车辆生产企业及进口车辆生产企业均应按照 本办法的规定在生产、销售的车辆产品上标示VIN。

第四条国家发展和改革委员会（以下简称国家发展改革委）负责VIN的监督、管理，中国汽车技术研究中心（以下简称工作机构）承办有关具体工作。 第五条VIN是指车辆生产企业为了识别某一辆车而为该车辆指定的一组字码，由17位字码构成，分为三部分：世界制造厂识别代号（英文：World Manufacturer Identifier，以下简称：WMI）、车辆说明部分（英文：Vehicle Descriptor Section，以下简称：VDS）、车辆指示部分（英文：Vehicle Indicator Section，以下简称：VIS）。 第二章WMI的申请、批准和备案 第六条在中华人民共和国境内从事道路机动车辆生产的企业，均应按照本办法的规定申请WMI。 其它类型车辆产品需要标示VIN时，其生产企业也应按照本办法的规定申请WMI。 第七条申请WMI的企业，应具备以下条件： （一）具有独立法人资格； （二）遵守国家有关法律、法规； （三）符合国家产业政策及宏观调控的要求； （四）符合国家道路机动车辆生产企业准入管理规定。 第八条申请WMI的企业应向工作机构提出申请，申请时应如实填写《世界制造厂识别代号（WMI）申请表》（附件一），并提交相应的证明材料。其中道路机动车辆生产企业应提交以下材料：

基于深度学习的车辆型号识别

1讲了神经网络、卷积神经网络的基础概念，讲得比较通俗易懂，作者是在自己理解了之后来讲的； 2深度学习的车牌识别没看懂 分类号学号M201171824 学校代码10487 密级 硕士学位论文 基于深度学习的车辆型号识别 学位申请人：熊祎 学科专业：通信与信息系统 指导教师：刘文予教授 答辩日期：2014.1.22

A Thesis Submitted in Partial Fulfillment of the Requirements for the Degree for the Master of Engineering Vehicle Type Recognition Based On Deep Learning Candidate : Yi Xiong Major : Communication and Infromation System Supervisor : Prof. Wenyu Liu Huazhong University of Science & Technology Wuhan 430074, P. R. China January 22, 2014

独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名： 日期：年月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 保密□，在年解密后适用本授权书。 不保密□。 （请在以上方框内打“√”） 学位论文作者签名：指导教师签名： 日期：年月日日期：年月日

汽车VIN码及车辆型号的识别

车辆型号的识别车辆车辆编码的内容有五部分： 1、企业名称代号； 2、车辆类别代号； 3、主要参数代号； 4、产品序号； 5、企业自定代号。 1、企业名称代号用2位汉语拼音表示。如： CA表示一汽、EQ表示二汽、BJ表示北京、NJ表示南京。 2、车辆类别代号用1位阿拉伯数字表示。 用1表示载重汽车；2表示越野汽车；3表示倾卸汽车；4表示牵引车；5表示特种车； 6表示客车（大、中、小）；7表示轿车；8表示挂车；9表示半挂车、加长货挂车。 3、主要参数代号用2位阿拉伯数字表示。 ①在载重货车中，这两位数表示的是车辆总质量（车辆自重和载重量之和）； ②在轿车中这两位数表示的是汽车的排气量（单位：升）； ③客车中这两位数表示的是车身长度（单位：m）。 4、产品序号用1位阿拉伯数字表示。用0、1、2分别表示车型的改动及改型情况。 5、企业自定代号： 第一汽车制造厂企业自定代号： A——带空调 B——自卸 C——超豪华或牵引车底盘柴油车 D——客车底盘 E——高栏板 K——柴油车〈K2=大连柴油机，K1=德国道依茨发动机,K4=无锡柴油机〉 P——平头车〈P=两个雨刮片平头两个雨刮片平头驾驶室〈FK型驾驶室〉。P1=三个雨刮片平头驾驶室， 比P宽近200MM〈FP型驾驶室〉。P2=加宽型三个雨刮片平头驾驶室，比P1宽近312MM〈FM 型驾驶室〉。 如企业自定部分有P或P1的同时还有H时，驾驶室在P或P1基础上加宽一级〉 R——带卧铺 S——加油车底盘 T——双桥驱动 L——长轴距 Y——右方向 Z——出口汽车 H——宽体驾驶室 举例：CA 1 09 0 K2L2 1 2 3 4 5

车辆识别代管理办法

车辆识别代号管理办法（试行） 第一章总则 第一条为了加强车辆识别代号管理，规范车辆识别代号（英文：VehicleIdentificationNumber，以下简称：VIN）的编制、标示和使用，制定本办法。 第二条本办法适用于在中华人民共和国境内制造、销售的道路机动车辆以及需要标示VIN的其它类型车辆产品，包括完整车辆产品和非完整车辆产品。 第三条中华人民共和国境内的车辆生产企业及进口车辆生产企业均应按照本办法的规定在生产、销售的车辆产品上标示VIN。 第四条国家发展和改革委员会（以下简称国家发展改革委）负责VIN的监督、管理，中国汽车技术研究中心（以下简称工作机构）承办有关具体工作。 第五条VIN是指车辆生产企业为了识别某一辆车而为该车辆指定的一组字码，由17位字码构成，分为三部分：世界制造厂识别代号（英文：World Manufacturer Identifier，以下简称：WMI）、车辆说明部分（英文：Vehicle Descriptor Section，以下简称：VDS）、车辆指示部分（英文：Vehicle Indicator Section，以下简称：VIS）。 第二章WMI的申请、批准和备案

第六条在中华人民共和国境内从事道路机动车辆生产的企业，均应按照本办法的规定申请WMI。其它类型车辆产品需要标示VIN时，其生产企业也应按照本办法的规定申请WMI。 第七条申请WMI的企业，应具备以下条件：（一）具有独立法人资格；（二）遵守国家有关法律、法规；（三）符合国家产业政策及宏观调控的要求；（四）符合国家道路机动车辆生产企业准入管理规定。第八条申请WMI的企业应向工作机构提出申请，申请时应如实填写《世界制造厂识别代号（WMI）申请表》（附件一），并提交相应的证明材料。其中道路机动车辆生产企业应提交以下材料：（一）企业营业执照（复印件）；（二）符合国家汽车产业政策及车辆生产准入条件的相关证明；（三）获得国家车辆生产许可的情况说明；（四）企业实际生产条件、生产情况说明；（五）所生产的车辆产品类型及年产量的说明；（六）车辆品牌的有关证明材料；（七）现场审查前还应依据《车辆识别代号管理现场审查实施办法》（另行制定）提交相关资料。 第九条工作机构收到企业的申请之后，应根据下列情况分别作出处理：（一）申请企业符合第七条规定、申请材料符合第八条规定的，工作机构应受理其申请；（二）不符合第七条规定的，应在三日内告知申请企业不予受理；（三）申请材料不齐全或者不符合规定形式的，应在五日内一次告知申请企业。 工作机构受理或不予受理企业申请，都应出具加盖工作机构专用印章和注明日期的书面凭证。不予受理申请的，要说明其原因。

国内车辆产品型号编制规则

车辆产品型号编制规则 《车辆产品型号编制规则》 1988年国家颁布了国家标准GB9417-88《汽车产品型号编制规则》。汽车型号应能表明汽车的厂牌、类型和主要特征参数等。该项国家标准规定，国家汽车型号均应由汉语拼音字母和阿拉伯数字组成。不适用于军用特种车辆（如装甲车、水陆两用车、导弹发射车等），汽车的产品型号由企业名称代号、车辆类别代号、主参数代号、产品序号组成。必要时附加企业自定代号。对于专用汽车及专用半挂车还应增加专用汽车分类代号。 企业名称代号位于产品型号的第一部分，用代表企业名称的两个汉语拼音字母表示。 □□○○○○■■ a b c d f □□○○○○□□□■■ a b c d e f a:企业名称代号;b:车辆类别代号;c:主参数代号；d:产品序号;e:专用汽车分类代号;f:企业自定代号 □：用汉语拼音字母表示 ○：用阿拉伯数字表示 ■：用汉语拼音字母或阿拉伯数字均可 企业名称代号由2个或3个汉语拼音字母组成，是识别企业名称的代号。例如：CA表示第一汽车制造厂，EQ表示第二汽车制造厂，TJ表示天津汽车制造厂等等。 车辆类别代号位于产品型号的第二部分，用一位阿拉伯数字表示。此编码规则也适用于所列车辆的底盘。 车辆类别代号车辆种类 1 载货汽车 2 越野汽车 3 自卸汽车 4 牵引汽车 5 专用汽车 6 客车 7 轿车 8 未用 9 半挂车及专用半挂车 主参数代号位于产品型号的第三部分，用两位阿拉伯数字表示。 （1）载货汽车、越野汽车、自卸汽车、牵引汽车、专用汽车与半挂车的主参数代号为车辆的总质量（t），牵引汽车的总质量包括牵引座上的最大质量. 当总质量在100t以上时，允许用三位数字表示。 （2）客车及半挂车的主参数代号为车辆长度（m）。当车辆长度小于10m时，应精确到小数点后一位，并以长度（m）值的十倍数值表示。 （3）轿车的主参数代号为发动机排量（L）应精确到小数点后一位，并以其值的十倍数值表示。