江汉大学智能制造学院 杨英彬 郭子彧 蔡利民

随着城市的发展，城市交通流和人流密度成为城市道路交通拥挤的重要原因。随着人工智能技术和计算机视觉技术的飞速发展，可以用来目标检测的模型越来也多。在目标检测中车辆检测是非常重要的检测目标之一。基于深度学习的目标检测其检测率非常之高并且有很强特征的提取能力。近几年深度学习网络在计算机视觉上因为AlexNet在ImageNet大赛上大放异彩而飞速发展。2014年VGGNet为了追求深层网络的性能发现梯度会消失，但增加网络的深度会提高性能。2015年ResNet网络解决了梯度消失的问题，其模型收敛时间大大减少但尺度大的卷积核增加的网络模型的计算量，使模型的检测速度和训练速度降低。在计算机视觉目标检测中现有的方法分为两种分别为two-stage和one-stage两类。One-stage方法是单段检测算法，其在检测时单个激活映射来的边框和预测的类，极大的提高了检测的速度。SSD系列、YOLO系列、RetinaNet等是典型的代表。Two-stage方法生成的边框会映射到feature map的区域，然后将该区域重新输入到全连接层进行分类和回归其检测速度较慢，以faster-rcnn为代表。文本采用的YOLOv4方法进行车辆检测。YOLOv4在COCO数据集上可以达到43.5%AP,速度高达65FPS。可以完成车辆实时检测的任务。

1 YOLO模型

YOLO（You Only Look Once）算法是基于深度学习的回归方法由REDMOND J在2016年提出，将图片分成S×S的网格，如果某个物体的中心落在网格当中，那么这个网格就负责预测这个物体。它对非自然图像物体的检测率远远高于DPM和RCNN系列检测方法。……