梁礼明, 熊 文, 彭仁杰, 蓝智敏

(江西理工大学电气工程与自动化学院， 赣州 341000)

随着中国经济的飞速发展，机动车数量逐年递增，每年发生的交通事故不计其数，如何通过先进的车辆检测技术减少交通事故的发生已成为城市交通管理的一项重要工作[1]。

车辆检测作为目标检测领域的重要研究内容，在智能交通、车辆跟踪、无人驾驶等领域具有广泛的应用需求和重要的研究价值[2]。自深度学习在图像分类任务[3-4]中取得巨大成功后，基于深度学习的方法被广泛用于目标检测任务中，诸如Faster R-CNN[5]、SSD[6]、YOLO[7]等通用目标检测算法均取得了不错的效果。上述方法均采用了目标检测领域流行的锚框机制来遍历特征图生成目标的候选区域，但是锚框的长宽比和尺度需要根据特定的数据集预先设计，常用的方法为采用K-means算法[8]或K-means++算法[9]通过特定数据集的真实边界框进行聚类，从而得到初始锚框的参数，聚类值的选择对最终生成的锚框参数影响较大，从而产生不同的聚类偏差，并最终影响到模型的综合性能。

针对此问题，有关学者尝试采用关键点的方法来对目标定位和分类。Law等[10]提出通过计算目标的一对左上角点和右下角点来回归出目标的位置，但是在海量的角点信息中分辨出属于具体的目标时存在精确度差和耗时过久的问题，从而导致大量不正确的检测框产生。Duan等[11]提出在一对角点中增加一个中心点，形成的关键点三元组(左上角点、中心点、右下角点)可以更准确地定位检测框位置。……