宁 俊，王 年，朱 明

(安徽大学 电子信息工程学院，安徽 合肥 230601)

随着汽车保有量的越来越多，各种交通违章行为屡禁不止，如叉车等工程车辆违规驶入市区主干道、部分车辆违规驶入禁入区域、违法占用消防通道等，这给交通安全带来了诸多隐患，也对交通监管提出了更高的要求.加强对不同类别车辆的识别管理，是未来交通管理以及封闭区域车辆管理中重要的一环.

近年来，深度学习技术得到了较大的发展，已被成功应用到图像识别、分类等方面.相较于传统方法，深度学习技术可以提取到图像中更深层次、更丰富的信息，在目标检测、图像识别等领域有着非常广泛的应用.文献[1]提出了LeNet网络对手写数字进行识别，虽然由于时代的限制，导致其对复杂问题处理的结果并不理想，但也是迈出了具有突破性的一步.目前深度网络得到了快速发展，出现了适用于处理各种问题的网络，如AlexNet,ZFNet, VGG(visual geometry group)Net, GoogleNet,ResNet等.

文献[8]基于卷积神经网络提出了R-CNN(region-convolutional neural networks)目标检测模型，通过利用卷积神经网络进行特征提取，再使用支持向量机进行分类，使mAP值有了较大的提升.但R-CNN在选择候选区域时，方法复杂且需要消耗大量时间，并不能达到实时检测的目的.在此之后，基于卷积神经网络，学者们提出了多种目标检测算法，如Fast R-CNN,Faster R-CNN,YOLO(you only look once),SSD (single shot multibox detector)等.其中SSD与YOLO都属于one-stage算法，即候选区域生成、目标识别分类、候选框位置精修等均在一个网络内完成，运行速度较快，但相对精度较差.R-CNN属于two-stage算法，分为候选区域生成……