基于YOLOv2算法的運動車輛目標檢測方法研究

龔 靜，曹 立，亓 琳，李良榮

(貴州大學 大數據與信息工程學院，貴州 貴陽 550025)

隨著社會經濟的發展，隧道交通智能化管理的需求越來越受重視，而隧道通行車輛信息的快速并準確獲取，是智能化管理能否實現的關鍵技術問題。近年來，隨著機器視覺技術的發展，其在車輛檢測方面的研究也在逐步的加深[1-3]。2012年，AlexNet網絡結構的提出和GPU計算能力的加強，使得基于深度學習的卷積神經網絡算法結合大數據的訓練處理圖片成為可能，并在目標檢測方面得到了較好的應用。

當前大多車輛檢測算法分為3個階段：生成目標候選區域、提取檢測目標特征、檢測目標候選驗證。文獻[4]中介紹了一種典型的特征提取車輛檢測方法，Hedi Harazllah 等人首先利用滑動窗口依次遍歷待檢測圖像，提取HOG(Histogram of Oriented Gradient)和SIFT(Scale-Invariant Feature Transform)特征，利用SVM(Support Vector Machine)分類器完成候選驗證及車輛檢測；Bautista C M 等人采用卷積神經網絡[5](Convolutional Neural Networks，CNN)的卷積層和池化層提取車輛特征，用全連接層進行候選驗證。但滑動窗口生成候選區域會降低時效性，為克服該缺點，研究者又提出基于感興趣區域的區域生成法：蔡英鳳等人基于CNN算法[6]，在生成候選區域階段采用了基于視覺顯著性的方法，并將候選區域輸入CNN進行特征提取和候選驗證完成車輛檢測；在文獻[7]中，FanQ應用Faster R-CNN一步完成車輛檢測，大幅提升了車輛檢測速度。但Faster R-CNN算法檢測速度僅為5 f/s，還無法滿足隧道中高速行車信息檢測的實時性要求。

2015年，Redmon J提出了YOLO(You Only Look Once)檢測算法[8]，YOLO是一種全新的端到端的檢測算法，在檢測過程中模糊了上述3個階段的區別，直接快速地完成檢測任務。……