商国军　杨利红　王列伟

摘要：为实现精确实时的车辆检测，本文算法基于迁移学习思想，以深度学习实时检测算法YOLOv2为基础。使用在大规模数据集上预训练得到的分类模型初始化YOLOv2卷积神经网络，搜集交通场景车辆图片并标注后输入该网络利用反向传播进行微调，从而得到最终的车辆检测模型。测试结果表明，本文算法在包含300张车辆图片的测试集中MAP达到0.788，每帧检测平均耗时15ms，满足工程应用实时性要求。

关键词：迁移学习；车辆检测；卷积神经网络；YOLOv2

中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2018）04-0123-02

车辆检测作为智能交通规划中的关键基础技术，一直以来都是国内外研究的热点。近年来，伴随着国内机动车数量的快速增长，我国道路交通状况日趋复杂，实现精确实时车辆检测的难度不断增加。

传统的车辆检测方法基于机器学习，由于监控视频中的车辆特征随着光照、视角等因素的变化而变化，使用HOG、SIFT等常用特征泛化能力较差。因此工程应用中需要针对具体应用场景进行特征设计，为了获取更高的准确率，特征维度越来越高，大大降低了算法实时性，因此传统车辆检测方法在实用中一直难以取得突破性进展。

近年来，随着大规模数据集的不断构建以及硬件计算能力的持续增强，深度学习理论和实践得到迅速发展。2014年，R-CNN[1]首次将深度学习应用到检测领域，后续出现了该类方法的改进，但均无法实时运行。在工程应用中，实时性非常重要，由此出现了基于回归的深度学习目标检测方法，典型代表为YOLO[2]、SSD[3]和YOLOv2[4]，能够实现实时检测。……