با گسترش روز افزون داده‌های تصویری، درک محتوای تصویرها توسط سیستم‌های خودکار، اهمیت ویژه‌ای پیدا کرده است. در این زمینه، شناسایی خودرو در تصویرها به دلیل پیش نیاز بودن در بسیاری از کاربردها، مورد توجه پژوهشگران می‌باشد. از جمله این کاربردها عبارتند از: تشخیص خودرو، نوع خودرو، رنگ، اندازه خودرو. پژوهشگران این حوزه با استخراج ویژگی‌های تصویر و الگوریتم یادگیری آدابوست به روش مناسبی مانند ویولا-جونز دست یافتند و یا با استفاده از توصیفگر هیستگرام گرادیان جهت‌دار تصویر و ماشین بردار پشتیبان، موفق به شناسایی خودرو در تصاویر شدند. البته این روش‌ها یک ضعف اساسی داشتند که عکس خودروها از رو برو یا به پهلو بود. با به وجود آمدن شبکه‌های عصبی کانولوشنالی و قابلیت مناسب آن‌ها به منظور تشخیص ویژگی‌های اشیاء، از این شبکه‌ها برای شناسایی اشیاء در تصویرها بهره برده شد که به ایجاد روش‌های گوناگونی منجر شد. یکی از این روش‌ها که نسبت به هم رده‌های خود از دقت و کارایی بالایی برخوردار است، روش R-CNN Retina می‌باشد. به دلیل کارآمدی این مدل، از این روش برای شناسایی خودروهای مورب استفاده شده است. مدل با استفاده از مجموعه داده‌های جمع‌آوری شده از سطح شهر و دوربین‌های شهرداری آموزش داده شده است و این مدلِ آموزش‌دیده با قدرت شناسایی بالایی، قادر به شناسایی خودرو در زاویه‌های مختلف و شرایط نوری متفاوت می‌باشد.
