王殿伟，赵梦影，刘 颖，宋海军，谢永军

1.西安邮电大学 通信与信息工程学院，西安710121

2.中国科学院 西安光学精密机械研究所，西安710119

近年来，迅猛增加的机动车数目给交通监管系统带来了严峻的挑战，车辆目标智能检测作为自动驾驶、智能交通[1]研究领域的核心技术，随之受到相关研究学者的关注。因为传统视觉视野有限，存在检测盲区，缺乏获取全局信息手段等不足，而全景视觉具有“成像一体化、360°大视场、旋转不变性[2]”等优点，已被广泛应用于无人驾驶、机器人安全监控、虚拟现实等诸多领域，在现实生活中具有重要意义。

图1 SSD网络框架图

传统的车辆目标检测算法首先判断目标车辆区域，然后用SIFT[3]、HOG[4]、LBP[5]等方法提取特征，最后经过分类器得到目标分类结果，其中目标特征主要依靠手工提取，而待检测的车辆种类繁杂、数量庞大、背景信息复杂多变，手工选取特征的方法很难适应复杂环境下多种类别目标的检测需求，因此传统车辆检测算法已经不能满足要求[6]。近年来，基于深度学习的目标检测算法受到广泛关注，深度神经网络能够自主学习不同层级的特征，相比于传统手工设计特征，学习的特征更丰富，特征表达能力更强[7]。

基于深度学习的目标检测算法具有较强的全面性、活动性，并具有检测识别多种目标类型的能力[8-10]。Girshick等[11]设计了R-CNN 框架，提出了区域选择和使用深度学习分类的方法，在目标检测方面突破巨大，但特征提取复杂，检测速度很慢。……