王 林，张鹤鹤

(西安理工大学 自动化与信息工程学院，西安 710048)

0 引言

车辆检测是智能交通系统中一个不可或缺的重要环节，它能够为道路交通控制、高速公路管理和紧急事件管理等诸多后续交通环节提供强有力的信息支撑，因此得到了研究者的广泛关注。传统的基于机器学习的车辆检测方法通过方向梯度直方图(Histogram Of Gradients, HOG)[1]和尺度不变特征转换(Scale-Invariant Feature Transform, SIFT)[2]等方法对车辆进行特征提取，并将其提取到的特征输入至支持向量机(Support Vector Machine, SVM)[3]、迭代器(AdaBoost)[4]等分类器进行车辆检测。这类方法本质上使用的是人为设计和制造的特征作为图像表征的工具，需要研究人员具有相当坚实的专业知识和大量的经验，设计过程较为主观，缺乏理论的指导，不但耗费时间精力，而且最终得到的特征也是参差不齐，难以适应天气和光线等条件的变化，泛化能力差。随着交通环境的日趋复杂，采用人工设计特征的手段进行车辆检测越来越难以胜任。而深度学习的出现就解决了这一问题，深度学习中的卷积神经网络对几何变换、形变和光照等具有一定程度的不变性[5]，并且可以灵活地在训练数据的驱动下根据不同的需求任务自动地去学习有用的特征来帮助算法完成检测和识别的任务。相比人工设计的特征，对目标具有更强的表达能力。

近年来，随着深度学习的快速发展，基于深度卷积神经网络的目标检测方法得到广泛应用。文献[6]中Girshick等提出了基于区域卷积神经网络……