叶佳林，苏子毅，马浩炎，袁 夏，赵春霞

南京理工大学 计算机科学与工程学院，南京210094

随着外卖和非接触式派送行业的快速发展，非机动车违章现象以及造成的交通事故越来越多。由于非机动车数量大、分布广，所以目前对非机动车监管的难度较大。随着交管部门对非机动车监管力度日益增强，基于道路监控摄像头的非机动车智能在线检测对道路安全和社会发展具有重要意义[1]。

传统的目标检测方法利用人工设计的图像特征进行检测，Taigman 等人[2]提出HOG（Histogram of Oriented Gradient）算子、Ma等人[3]提出SIFT（Scale-Invariant Feature Transform）算子去提取特征，并将提出的特征放入分类器实现分类识别，但由于在真实场景中非机动车会因遮挡，非机动车较小等因素导致难以提取特征，所以传统方法很难满足于实际应用的需求。近些年来，基于卷积神经网络的目标检测算法已经成为主流检测算法。由于卷积神经网络泛化能力强，一定程度可以克服遮挡，光照等因素带来的影响。RCNN（Region Convolutional Neural Network）[4]、Fast-RCNN[5]、Faster-RCNN[6]等算法模型的提出，极大地提升了目标检测准确率。在2015年，Redmon等人[7]提出了YOLO系列算法，极大地提升了算法检测的速度。Liu 等人[8]提出了SSD（Single Shot MultiBox Detector）算法，使用了多尺度方法提升了检测的准确率。Law 等人[9]提出的cornerNet 算法和Fcostian等人[10]提出的FCOS（Fully Convolu-tional One-Stage object detection）算法分别受到了人体姿态算法和语义分割算法的启发，为目标检测算法打开了新思路。YOLOv3[11]算法是YOLO 算法的第三个版本，由于YOLOv3 算法速度快，精度高，所以在实际场景中YOLOv3 在检测非机动问题上有着广泛的应用。本文针对非机动车具有密度大，容易互相遮挡，且在监控视频中所占面积往往较小等特点，通过改进YOLOv3算法模型实现非机动车的实时检测。……