Intelligente Systeme, die Objekte in Bildern erkennen, haben in den letzten Jahren zunehmend an Bedeutung in der Forschung gewonnen. Dies hat zu vielen technologischen Fortschritten in Bereichen wie dem autonomen Fahren oder der intelligenten Sicherheitstechnik geführt. Da hier oft spezifische Hardware mit wenig zur Verfügung stehenden Ressourcen eingesetzt wird, sind kleine und effiziente Lösungen von großem Interesse.

Das Ziel dieser Masterarbeit ist es einen Algorithmus zu finden, der eine effiziente Erkennung und Klassifizierung von Fahrzeugen in Bildern ermöglicht. Der gesuchte Fahrzeug-Detektor soll dabei für Bilder mit Verkehrsaufnahmen aus einer fixen Kameraerspektive optimiert werden.

In der Vergangenheit konnten erfolgreich vollständige neuronale Faltungsnetze als Grundlage effizienter Detektoren in der Gesichtserkennung eingesetzt werden. Es wurden in dieser Arbeit daher ein Detektor auf Basis kleiner Faltungsnetze programmiert und getestet. Als vielversprechendster Ansatz erwies sich ein Detektor, der durch sequentielle Kopplung zweier kleiner Faltungsnetze mehrklassige Fahrzeugerkennung ermöglicht. Durch den Einsatz von False Positive Mining konnte zudem die Anzahl der Fehlauslösungen des Detektors deutlich reduziert werden.