本文的待识别车标是基于已经分割好且经过标签处理的基础之上的，并且采用的是一种新的车标识别技术，即基于深度网络的车标识别技术。深度网络指的是包含多个隐藏层的神经网络，这种神经网络的特征学习的能力很强，并且由它所学习到的特征能更好地反映出原数据的本质。除此之外，能够利用少量的参数表达出复杂函数是深度神经网络的另一个优点，因此它能够训练大批的数据样本，是一种较为理想的模式识别方法。实验表明本文在对神经网络的训练次数达到200次时，可以达到87%的车标识别效率，具有较好的性能和实时特性。

本文主要研究和探讨基于深度网络的车标识别技术。本文的待识别车标是基于已经分割好且经过标签处理的基础之上的。首先，对车标图像进行灰度化处理，然后利用中值滤波的方法消除噪声，最后采用深度网络的方法进行车标识别。深度网络指的是包含多个隐藏层的神经网络，这种神经网络具有很强的特征学习能力，并且由它学习到的特征能够更好地反映出原始数据的本质。除此之外，能够利用少量的参数表达出复杂函数是深度神经网络的另一个优点，因此它能够训练大批的数据样本，而且有较强的自适应性，是一种较为理想的模式识别方法。所以，通过此方法得到的车标识别效率可以达到87%之高。

图像滤波

本文采用中值滤波的方式对图像进行去噪处理。利用中值滤波的方法去噪不仅可以很好地去除噪声，而且还能够很好地保护图像的边缘信息。中值滤波的方法首先对邻域内所有像素的灰度值按由大到小或由小到大的顺序排序，然后挑选出像素的灰度值处于中间位置的像素点，从而作为邻域中与其像素最为相似的像素点。该滤波方式将一个滑动窗口内的N×M个像素值进行排序，将处于中间位置的像素值作为窗口中心像素点的像素值。