朱茂桃，张鸿翔,，方瑞华

(1.江苏大学 汽车与交通工程学院，江苏 镇江 212013；2.上海干巷车镜实业有限公司，上海 201518)

0 引 言

近年来，随着人们对车辆安全性能的关注，高级辅助驾驶系统(ADAS)受到车企的广泛关注。因此基于计算机视觉的车辆检测算法具有重要价值。

传统车辆检测方法的步骤为：在给定的图像上选取感兴趣区域，根据特征算子(常用的有SIFT、HOG等)对感兴趣区域提取特征[1-2]，使用训练的分类器进行分类[3-4]。MU K等[5]针对基于边缘的车辆检测方法容易受到噪声和背景的干扰，导致检测不准确的问题，提出了一种基于多尺度边缘融合的车辆检测方法;WU B F等[6]提出了一种实时的车道线检测算法和基于模糊逻辑的车辆检测算;KIM Z W[7]提出了基于概率特征分组的实时车辆检测方法并将其运用于车辆跟踪。但是传统目标检测存在两个主要问题：(1)基于滑动窗口的区域选择策略缺乏针对性，耗时长；(2)人工提取的特征没有很好的泛化能力。

2012年开始，各种视觉任务都启用了卷积神经网络(CNN)来构建新的模型。CNN优于传统算法的3个主要因素：(1)大规模的训练数据；(2)网络结构更加复杂、更深、参数更多；(3)GPU对计算的加速，使以往需要数周的训练过程只需一天甚至数小时以内就可以完成。ADAS的视觉感知部分属于计算机视觉的范畴，因此，很多传统的车辆检测算法正在被深度学习所取代。

本文根据RCNN系列深度学习检测算法建立数据集，对Faster R-CNN算法调参，最后比较RCNN、SPPnet、Fast R-CNN和Faster R-CNN算法的检测效果[8-11]。

1 RCNN系列深度……

登录APP查看全文