苏欣欣，郭元术，李妮妮

(长安太学 信息工程学院，陕西 西安 710064)

0 引言

由于汽车保有量的快速增多和城市交通管理系统的尚未完善，一系列的交通道路问题不断产生。 针对诸多的交通拥堵和交通事故频发等问题，智能交通系统的理念被提出。车辆目标检测技术作为智能交通系统最关键的环节，如何在实际道路的复杂背景下，采集全面有效的信息并进一步快速、准确地对目标车辆进行定位和识别，是一个有高度研究价值的课题。

目前，车辆检测算法主要分为两类：传统的车辆检测算法和基于深度学习的车辆检测算法[1]。 前者常用的方法有方向梯度直方图[2]、尺度不变特征变 换[2]、 局 部 二 值 模 式[2]等 。 张 涛 等[3]在 Haar 车 辆检测算法基础上做一定的算法优化，即通过对滑动尺寸的合理设定以及对检测区域的合理划分，显著地提高了车辆检测算法的运行速度和系统的实时性。 张小琴等[4]针对目前车辆品牌分类存在识别率低和检测速度慢等问题，提出了方向梯度直方图(Histogram of Oriented Gradient，HOG)和 支 持 向 量 机(Support Vector Machine，SVM)相结合的方法，对车辆进行分类识别。

传统算法的优势在于检测速度较快，但是检测精度很差，尤其是在低亮度的夜间、雨雪等能见度低的恶劣天气下以及障碍物严重遮挡的复杂交通场景下会导致漏检和误检的情况，其准确率难以提高。 而基于深度学习的方法能自主完成对目标特征的学习和关键信息的提取，且与传统的方法相比不仅有更强的特征提取能力、速度更快和较强的鲁棒性等优点，而且不易受复杂环境变化的影响，因此，借助深度学习的模型是解决目前传统方法所存在的问题的有效手段。……