梁礼明，熊 文，蓝智敏，钱艳群

（江西理工大学 电气工程与自动化学院，江西 赣州 341000）

车辆检测是目标检测领域的重要研究分支，准确实时检测目标车辆能有效缓解交通监控压力和减少车辆违规行为的发生［1］，而这依赖于先进的车辆检测技术。

自从Krizhevsky等［2］在ImageNet 2012图像识别挑战赛上首次证明了机器学习到的特征可以超越传统手工设计［3－4］的特征后，基于深度学习的方法在目标检测领域中得到大量应用，这些方法大致可分为基于区域的方法和基于回归的方法两大类。基于区域的方法，如Ren等［5］采用区域建议网络（RPN）提取感兴趣区域，并对此区域加以分类实现端到端的目标检测，但是检测速度离实时性检测要求还有一定的差距。基于回归的方法，如Redmon等［6］和Liu等［7］均将目标检测问题作为回归问题来分析，相比基于区域的方法检测速度要快很多，但是此类算法提取目标特征鲁棒性较差，无法将前景区域与背景区域完全区分开来，从而导致检测精度不够高的问题。上述方法皆需要预先设计锚点框（anchor box），通过计算锚点框与目标对象的交并比（IoU）来筛选出重叠程度大的锚点框，基于这些锚点框最后实现目标的位置类别检测，处理效率较高。但是此举又引入了诸多问题，首先锚点框的引入会带来众多超参数和设计选择的难题，如锚点框的尺寸和锚点框的长宽比选择等，其次锚点框数量巨大，可能会造成正负样本不平衡，并最终导致模型训练收敛速度慢，检测精确率低。……