1. 研究目的与意义
(1) 研究背景
随着城市化进程的加快，道路建设的不断完善，世界各国的汽车数量不断增加，尤其是中国，机动车的数量增加的非常明显，而且以每年超过7%的速度在增长。据相关部门统计，截止2014年11月底，中国机动车保有量达2.25亿辆，其中汽车占56%。但不断增加的车辆虽然给人们的生活提供了便利，但是也给交通带来了巨大的挑战，由交通事故导致的死亡人数比例一直居世界首位。
(2) 研究目的
2. 研究内容与预期目标
卷积神经网络(Convolutional Neural Network, CNN)是深度学习技术中极具代表的网络结构之一，在图像处理领域取得了很大的成功。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。使用卷积神经网络开发出的识别系统识别度高，数据准备简易。该系统能实现一键识花的功能，让人们在看到不认识的车时能随时查到车的各种信息，并帮助他们获得更加美好的赏车体验。
本课题使用开源的深度学习框架caffe和成熟的CNN模型——ResNet，收集车型样本照片，进行CNN模型训练，实现一个能拍照识别车型的移动应用。用户使用该移动应用，对着想要识别的汽车拍照，然后汽车识别系统通过捕捉照片中汽车的特征，用训练好的模型识别汽车，最后会显示汽车的各种信息。
3. 研究方法与步骤
卷积神经网络(Convolutional Neural Network, CNN)是深度学习技术中极具代表的网络结构之一，在图像处理领域取得了很大的成功。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。使用卷积神经网络开发出的识别系统识别度高，数据准备简易。该系统能实现一键识花的功能，让人们在看到不认识的车时能随时查到车的各种信息，并帮助他们获得更加美好的赏车体验。
本课题使用开源的深度学习框架caffe和成熟的CNN模型——ResNet，收集车型样本照片，进行CNN模型训练，实现一个能拍照识别车型的移动应用。用户使用该移动应用，对着想要识别的汽车拍照，然后汽车识别系统通过捕捉照片中汽车的特征，用训练好的模型识别汽车，最后会显示汽车的各种信息。
4. 参考文献
[1] 张军，张婷，杨正瓴等. 深度卷积神经网络的汽车车型识别方法[J]. 传感器与微系统，2016(11)，19-22.
[2] 袁公萍，汤一平，韩旺明，陈麒. 基于深度卷积神经网络的车型识别方法[J]. 浙江大学学报（工学版）,2018(4):694-702.
[3] 石磊，王亚敏，曹仰杰，卫琳. 基于深度卷积神经网络的车型识别[J]. 计算机科学,2018(5):280-284.
5. 工作计划
(1) 2022.1.10----2022.3.10查阅资料，撰写开题报告，翻译英文资料
(2) 2022.3.11----2022.3.18 需求分析，熟悉开发工具
(3) 2022.3.19----2022.3.31 概要设计
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
