刘砚菊，秦 阳，宋建辉，孙晓南

(沈阳理工大学 自动化与电气工程学院，沈阳 110159)

近年来，随着生活水平的提高，全球各地汽车的数量飞速增长，相应的车辆管控也变得越来越困难。

传统的常用来进行目标检测的特征有Haar-like特征、LBP特征及方向梯度直方图HOG(Histogram of Oriented Gradients)特征。Haar-like特征只对线段或边缘这类的简单图形敏感，而且对于24×24的图形会产生160000多个特征矩阵，计算量过大。LBP特征用于纹理特征提取，对于图片纹理少的物体检测效果不理想。HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征，具有很好的几何不变性和光照不变性。

目前，常见的可以对目标进行检测定位的深度学习模型有R-CNN[1-3]系列、SSD[4]系列、YOLO[5-7]系列等。R-CNN系列定位的准确率高，但其时效性与其他模型存在差距，不能实现实时定位。SSD模型运行速率会随着输入数据的增多而显著下降。因此，这两种模型均不能实现实时性。YOLO可以同时预测多个类别物体，在目标检测上可实现端到端，其最大的优势是速度快。YOLO舍弃了proposal和滑动窗口的方式训练网络，直接选用整图训练模型；这样做的好处在于可以更好地区分目标和背景区域。在目前的硬件条件下，YOLOv3实时检测的速度可以达到40～50FPS(每秒图像的传输帧数)，完全满足实时检测模型在使用方面的速率需求。在准确性上，YOLO系列虽然略逊色于R-CNN、SSD等网络，但可在保证实时性的情况下，牺牲一定的检测速度增加网络层数，从而提高特定物体的检测准确率。

在以前的目标检测过程中，深度学习的目标检测与传统的目标检测都有各自的检测方法，两者互不掺杂。……