谷玉海，曹梦婷，修嘉芸，任 斌，刘 朔

(1.北京信息科技大学 现代测控教育部重点实验室， 北京 100192；2.北京航天长征飞行器研究所， 北京 100076)

近年来，随着经济的飞速发展，我国的车辆保有量和驾驶人数量快速增长，由驾驶人违章导致的交通事故也越来越多。随着交通环境的变化，传统的违章检测算法的准确率降低，适应环境的能力变差，而基于深度学习的违章检测算法相对于传统的违章检测方法，具有更高的检测效率、准确率及更强的环境适应能力，能够更好地检测违章行为，并通过处罚、警示等手段促使驾驶人遵守交通法规，减少交通事故的发生[1]。

大量数据表明，30%以上的交通事故是由驾驶人员在行驶的过程中拨打手持电话所造成的，开车时使用手持电话发生交通事故的风险比平常高出4倍[2]，因此，使用违章检测算法对驾驶人员在行驶过程中拨打手持电话这种违章行为进行检测是十分有必要的。

目前在违章检测算法中所使用的传统目标检测算法有Haar特征+Adaboost算法[3]、Hog特征+SVM算法[4]、DPM算法[5]等，这些算法主要是用滤波、二值化、边缘检测等传统的图像处理技术对图片中的车牌进行定位和识别，对于背景信息简单，单一目标的检测，具有较好的检测效果。但是随着车辆及驾驶员数量的增多、交通环境的复杂化，传统的目标检测算法在交通场景下漏检率变高、识别准确率下降、泛化能力变差。2015年，Ren等[6]提出Faster R-CNN网络，该网络使用RPN(region proposal network)网络替代R-CNN系列网络中的选择性搜索，从而达到共享卷积网络的特征提取，提高识别的准确率及速度。……