1、由于造價(jià)低廉、易于應(yīng)用，基于圖像的車(chē)輛識(shí)別技術(shù)而成為近年來(lái)國(guó)內(nèi)外研究的熱點(diǎn)。國(guó)內(nèi)外相關(guān)學(xué)者提出了很多富有建設(shè)性的方法并取得了一定成功，但是目前仍然存在環(huán)境適應(yīng)性和魯棒性差的缺點(diǎn)，且對(duì)于復(fù)雜交通場(chǎng)景和惡劣天氣（如霧霾、雨雪等）下的弱對(duì)比度車(chē)輛目標(biāo)難以獲得令人滿意的識(shí)別率，這已經(jīng)嚴(yán)重制約了基于圖像的車(chē)輛識(shí)別技術(shù)的發(fā)展。因此車(chē)輛識(shí)別，尤其是弱對(duì)比度車(chē)輛目標(biāo)識(shí)別已經(jīng)成為一項(xiàng)具有挑戰(zhàn)意義和重要研究?jī)r(jià)值的工作。本文借鑒人類(lèi)的視覺(jué)感知原理建立了適應(yīng)性

2、強(qiáng)、魯棒性好的車(chē)輛識(shí)別模型，并探討建立聯(lián)想機(jī)制模型用于弱對(duì)比度車(chē)輛目標(biāo)的準(zhǔn)確識(shí)別。主要研究?jī)?nèi)容包括：
　　⑴基于人類(lèi)的視覺(jué)選擇注意機(jī)制建立了雙向驅(qū)動(dòng)融合的注意模型用于車(chē)輛識(shí)別。該模型在基于bottom-up數(shù)據(jù)驅(qū)動(dòng)的Saliency模型基礎(chǔ)上，選擇車(chē)輛目標(biāo)最魯棒的結(jié)構(gòu)和形狀特征建立兩級(jí)知識(shí)庫(kù)實(shí)現(xiàn)了top-down的任務(wù)驅(qū)動(dòng)，在高層指導(dǎo)Saliency模型中的視覺(jué)選擇注意過(guò)程，實(shí)現(xiàn)了任務(wù)驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)的融合。其中，在數(shù)據(jù)驅(qū)動(dòng)過(guò)程中，

3、利用譜分析方法和顯著度函數(shù)代替了基于高斯金字塔的多尺度顯著特征融合算法，提高了模型的實(shí)時(shí)性;在構(gòu)建形狀知識(shí)庫(kù)時(shí)，利用格式塔知覺(jué)理論的相關(guān)原理建立了用于提取車(chē)輛目標(biāo)閉合邊界集的多目標(biāo)分割模型。
　　⑵探討建立了用于弱對(duì)比度目標(biāo)識(shí)別的聯(lián)想機(jī)制模型。提出了具有優(yōu)秀聯(lián)想能力的綠色神經(jīng)元交互聯(lián)想網(wǎng)絡(luò)，利用高維聯(lián)想空間映射網(wǎng)完成了對(duì)于弱對(duì)比度目標(biāo)不完整特征的模式異聯(lián)想，并通過(guò)解聯(lián)想映射網(wǎng)實(shí)現(xiàn)了目標(biāo)的自聯(lián)想功能;同時(shí)建立神經(jīng)調(diào)節(jié)函數(shù)和神經(jīng)交互函

4、數(shù)模擬了生物神經(jīng)信號(hào)傳導(dǎo)過(guò)程中神經(jīng)元的交互作用，使聯(lián)想網(wǎng)絡(luò)具有更快的收斂速度。在此基礎(chǔ)上，本文借鑒人類(lèi)視皮層中的WHAT通路將大腦皮層的聯(lián)想功能合理抽象為聯(lián)想產(chǎn)生、聯(lián)想匹配和綜合分析的層次化模型，從而構(gòu)建了能有效識(shí)別弱對(duì)比度目標(biāo)的聯(lián)想機(jī)制模型。
　?、峭ㄟ^(guò)仿真實(shí)驗(yàn)得出，雙向驅(qū)動(dòng)融合的注意模型對(duì)于只有清晰車(chē)輛目標(biāo)的樣本集的識(shí)別率為90.4％，誤識(shí)別率為4.9％;對(duì)于包含弱對(duì)比度車(chē)輛目標(biāo)的測(cè)試樣本集的綜合識(shí)別率為76.4％，綜合誤識(shí)別