基于遷移學習的交通場景車輛實時檢測算法

商國軍　楊利紅　王列偉

摘要：為實現精確實時的車輛檢測，本文算法基于遷移學習思想，以深度學習實時檢測算法YOLOv2為基礎。使用在大規模數據集上預訓練得到的分類模型初始化YOLOv2卷積神經網絡，搜集交通場景車輛圖片并標注后輸入該網絡利用反向傳播進行微調，從而得到最終的車輛檢測模型。測試結果表明，本文算法在包含300張車輛圖片的測試集中MAP達到0.788，每幀檢測平均耗時15ms，滿足工程應用實時性要求。

關鍵詞：遷移學習；車輛檢測；卷積神經網絡；YOLOv2

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2018）04-0123-02

車輛檢測作為智能交通規劃中的關鍵基礎技術，一直以來都是國內外研究的熱點。近年來，伴隨著國內機動車數量的快速增長，我國道路交通狀況日趨復雜，實現精確實時車輛檢測的難度不斷增加。

傳統的車輛檢測方法基于機器學習，由于監控視頻中的車輛特征隨著光照、視角等因素的變化而變化，使用HOG、SIFT等常用特征泛化能力較差。因此工程應用中需要針對具體應用場景進行特征設計，為了獲取更高的準確率，特征維度越來越高，大大降低了算法實時性，因此傳統車輛檢測方法在實用中一直難以取得突破性進展。

近年來，隨著大規模數據集的不斷構建以及硬件計算能力的持續增強，深度學習理論和實踐得到迅速發展。2014年，R-CNN[1]首次將深度學習應用到檢測領域，后續出現了該類方法的改進，但均無法實時運行。在工程應用中，實時性非常重要，由此出現了基于回歸的深度學習目標檢測方法，典型代表為YOLO[2]、SSD[3]和YOLOv2[4]，能夠實現實時檢測。……