程海博， 熊显名,2

(1.桂林电子科技大学 电子工程与自动化学院，广西 桂林 541004；2.桂林电子科技大学 广西高校光电信息处理重点实验室，广西 桂林 541004)

近年来，随着AI技术的飞速发展，深度学习在车辆检测、车型识别[1]、车牌识别、人脸识别等领域得到了广泛的应用。传统的机器视觉技术在对车辆进行识别时，从图像中提取可供计算机理解的图像特征信息，而计算机对图像的理解可分为分类、检测与分割等3种方向。对车辆进行检测除了需要对目标进行分类判断外，还需要得到该目标的位置，因此检测难度较大。传统的目标检测方法多为滑动窗口检测，对人为设定的特征进行提取与匹配，存在计算量大、特征单一的问题。1998年Lecun等[2]提出卷积神经网络结构LeNet5并用于手写数字识别，从此神经网络算法进入了许多目标检测研究者的视线。2012年Krizhevsky等[3]提出了网络结构AlexNet，并获得ImageNet2012挑战赛冠军，深度学习算法迎来了研究的热潮。随着计算机性能的不断提升、计算机硬件的迭代，深度学习逐渐替代了基于手选特征的传统检测方法。基于检测的方法不同，车辆检测可分为区域提名的two-stage检测算法，如R-CNN[4]、SPP-Net[5]、Fast R-CNN[6]、Faster R-CNN[7]等，端到端的one-stage检测算法，如YOLO[8]、YOLO9000[9]、YOLOv3[10]、SSD[11]等。其中，Faster R-CNN检测准确率高，但速度慢，YOLOv3检测速度快，但准确率低。为此，提出一种GIoU-YOLOv3车辆检测方法，在不降低检测速度的同时提高了检测准确率。

1 基于Darknet-53的YOLOv3模型

车辆识别系统示意图如图1所示，采用GIoU[12]代替了YOLOv3中的IoU评价标准。

图1 车辆识别系统示意图

视频车辆识别步骤为：先将视频逐帧放入YOLOv3框架中，并将不同分辨率的图像缩放至416×416像素然后输入网络，然后根据已训练的特征权重经卷积计算出相应的分类概率值，并结合GIoU值进行最后的分类判断。……