于琪佳

（北方工业大学，北京 100144）

0 引言

随着我国经济和社会的高速发展，我国民用汽车拥有量连年增长。截至2021年6月，全国机动车达到2.92亿辆，容易引起道路交通堵塞，不利于交通指挥。为了便于分析道路交通情况，促进道路交通的发展，需要识别出车辆的类型等进行合理规划和判断。车辆检测可应用于车辆识别、车辆追踪等，可以在一定程度为道路交通规划提供数据支撑，且可以为车辆厂商提供车辆销售数据参考等。本文将基于回归的检测方法中的YOLOv5算法对多种场景下的社会车辆进行物体识别，以研究其可行性。

1 相关工作

目标检测是计算机视觉领域的基本且重要的问题之一，在人工智能和信息技术的许多领域都有广泛的应用，随着人工智能发展得越来越火热，越来越多的研究者开始关注基于深度学习的车辆检测算法。

2015年，Redmon J［1］提出了YOLO检测算法。YOLO简化了检测流程，提出了将物体分类和物体定位在一个步骤中完成的One-stage方法。2019年刘肯等人［2］对YOLO算法进行改进，提出一种YOLO⁃D算法，把目标检测算法问题变成二分类问题，在不影响检测速度的情况下提高了检测准确率，从而实现对目标车辆的检测。2020年林豪等人［3］提出了一种基于YOLOv3的裁剪检测算法，该算法通过裁剪删去汽车行驶过程中实时拍摄的图片的部分对行驶决策不重要的内容，从而达到节约计算资源和提高检测效率的目的。2021年周雄峰［4］提出一种基于深度学习的自动采集方法，利用YOLOv5检……