陈立潮，解丹，曹建芳,2，张睿

（1. 太原科技大学 计算机科学与技术学院，山西 太原 030024; 2. 忻州师范学院 计算机科学与技术系，山西 忻州 034000）

近年来随着交通监控系统的日益普及，以视频为基础的车辆检测已成为智能交通领域的研究热点[1]。当前，车辆检测方法大致可以分为两类，一类是光流法（optical flow，OF）[2]、帧差法[3]、背景差分法[4]这类经典的车辆实时检测方法；另一类是随着深度学习的出现而发展起来的Fast-RCNN[5]、Faster-RCNN[6]等区域建议检测方法和YOLO[7]、YOLOv2[8]等无区域建议的检测方法。鉴于深度学习算法需要很高的硬件配置和大量数据集，实验条件较为严格，因而尽管光流法等实时检测算法出现较早，但目前仍是研究的热点。2017年Sengar等[9]采用一种基于双向光流块的运动目标检测方法，该方法首先估计当前帧与上一帧和下一帧之间的双向光流场，并经过处理后以二值化的形式检测到运动对象。其在固定场景的视频中测试了该方法的有效性，但对于变化的场景而言，该算法的性能较差。同年，Pan等[10]提出一种ViBe背景模型以解决光照变化而导致的背景变化。ViBe背景模型的核心是根据已定义的两种车辆检测误差及其对应的误差函数，确定合理的评价条件、调整不合理的阈值以保证背景模型的自适应更新。此方法虽然提高了前景分割的准确率，但是在背景模型更新的过程中，检测效果仍有待提高。相比国外而言，国内学者对光流法的研究较少。

上述方法也存在一定的缺陷，如：光流法很容易受到噪声、光源以及阴影变化的影响，从而影响检测结果。……