沈阳理工大学 周 越 周开强 曹玉颖

随着当今人们物质生活的极大提高，对于出行的交通工具需求也在不断的提高，车辆成为了当前人们的生活必不可少的东西，随之而来的是交通秩序的混乱，为了减少道路的交通拥堵，交通事故等，保证行车者的安全和便利，对于实时监测车辆安全，必不可少。当前比较普遍的能够实时的监测车辆的算法大部分是基于匹配法、光流法或者帧差法等。后来逐渐出现了卷积神经网络以及CNN还有几何约束算法能够做到实时检测车辆。

本文是基于YOLO算法下的实时车辆检测，YOLO算法是当下比较流行的object detection算法，速度也比较快，大约能每秒处理45帧，它与传统的RCNN系列算法不同，它以不同的处理方式对目标对象进行处理检测，首先将整个的图像放在一个实例中，并预测这些框的边界框坐标和及所属类别概率。YOLO算法可以把在检测失误（把背景中与目标无关的检测成物体）的错误率能够降到一半左右，准确率很高。

1 YOLO算法模型

与传统的two stage的算法先提取ROIS不同，YOLO的整个的过程就是先利用多层卷积网络提取图片的全局信息，最后用全连接层来进行目标边界框（矩形）的预测和回归。YOLO算法先将整个图片进行分割，把它变成一个SxS的方格（如图1），这样做的目的是为了检测识别出目标。

图1 特征提取示意图

假设在识别过程中某个目标物体的中心落在了一个格子中，这个对应的格子就负责检测出这个目标物体。此时这个格子开始对目标物体进行特征提取，每一个格子都会预测出b个目标物体的边界框，并且预测出每一个格子要检测每个目标物体的概率和偏移量。……