柳胜超，王夏黎，王丽红，柳秋萍

(1.长安大学 信息工程学院，陕西 西安 710061；2.陕西航天动力高科技股份有限公司，陕西 西安 710077)

0 引 言

伴随着计算机视觉的飞速发展，目标检测算法在自动驾驶和辅助驾驶领域也取得了重大突破，而在交通领域目标检测算法主要应用于对交通警察、信号灯、行人和道路标线等的检测。交通警察作为交通网络的重要一员，能够有效疏导交通防止交通拥堵，对城市交通网络更好更快的发展有积极促进作用。因此对交通警察的检测算法的研究对于保护交通警察人身安全和保障交通网络健康发展具有重要意义。

传统的目标检测算法有很多，包括基于HOG和SVM的跟踪[1]、学习和检测的算法，但是该方法容易受到光照、遮挡和尺度变化等因素的影响，并且提取的特征单一，鲁棒性不强。如今深度学习的快速发展也极大地推动了目标检测算法的研究，基于卷积神经网络的目标检测算法也成为当前主流的方法，其中主要包括两种，一种是基于回归思想的One-stage类别的目标检测算法，另一种是基于候选框思想的Two-stage类别的目标检测算法。目前常用的典型的One-stage目标检测网络包括YOLOV1、YOLOV2[2]、YOLOV3[3]和SSD[4]等直接回归目标物体的类别和位置。Two-stage目标检测网络包括Faster R-CNN[5]、Fast R-CNN[6]和RCNN[7-8]等，该类型的网络主要分两步，一步是由算法生成一系列作为样本的候选框，另一步是由卷积神经网络进行样本分类[9]。两种类别的方法各有优缺点，该文分别对基于SSD网络和基于Faster R-CNN网络的交通警察的检测进行实验，实验结果最终表明基于Faster R-CNN网络可以有效提高交通警察检测的精确率和检测速度。……