陆 飞,沈世斌,苏晓云,谢 非,3,章 悦,刘益剑,3

(1.南京师范大学电气与自动化工程学院,江苏 南京 210023) (2.江苏省三维打印装备与制造重点实验室,江苏 南京 210023) (3.南京智能高端装备产业研究院有限公司,江苏 南京 210023)

基于深度学习的目标检测技术在无人驾驶、智能监控、智能交通等领域有着广泛的应用. 随着城市道路车辆违反交通法规的事件不断增加,对监控视频中的车辆快速精准地检测已成为城市交通管理的一项重要研究课题. 快速且准确地检测复杂场景中不同尺度和类型的车辆已成为目前最具挑战性的课题之一[1-2].

近年来,国内外学者针对基于深度学习的目标检测方法展开了广泛而深入的研究. Girshick等[3]首次提出R-CNN模型,通过Selective Search算法[4]提取目标对象的候选框,将候选框的大小调整为一个固定尺寸,然后输入到卷积神经网络中提取特征,采用线性回归策略调整目标的边界框,使用SVM分类器预测目标的类别,但产生候选框的过程耗时长,且候选框之间存在大量重叠. He等[5]提出了空间金字塔池化网络(SPPNet),克服了R-CNN冗余的特征计算,在目标检测时对整张图像只进行一次特征计算,然后引入空间金字塔池化层通过CNN生成任意感兴趣区域. Girshick等[6]提出了Fast R-CNN算法,采用Softmax函数代替原来的SVM分类器,将目标的分类与回归加入到神经网络中,减少了运算时间. Ren等[7]在Fast R-CNN的基础上作了改进,提出了Faster R-CNN模型,Faster R-CNN主要贡献在于引入区域建议网络(RPN)[8]代替了原来的选择性搜索策略,并将对象候……