李孝疆，黎敬涛，邱 润

（昆明理工大学 信息工程与自动化学院，云南 昆明 650500）

0 引 言

随着经济的快速发展，我国城市的机动车辆不断增加，带来了严重的交通堵塞问题。为了缓解交通阻塞，提高交通运输效率，智能交通系统应运而生。智能交通监控是智能交通系统的一个重要组成部分，其首要任务是准确地检测车辆[1]。车辆检测技术是大多数交通应用如道路实时监控、智能交通控制及无人驾驶等的关键技术[2]。因此，实时的车辆检测和类别识别，是智能交通监控急需解决的一个问题。

1 相关研究

车辆检测主要依靠目标检测算法。目标检测算法分为双阶段和单阶段两种方法。

在双阶段的方法中，具有代表性的网络有基于区域的卷积神经网络（Region-based Convolutional Neural Networks，R-CNN）[3]、Fast R-CNN[4]、Faster R-CNN[5]和SPP-net[6]。这类网络在预测方面有很高的准确性，但由于网络在候选框的选取上耗费了大量的时间，因此检测速度往往不能满足实时性的需求。

在单阶段方法中，具有代表性的网络有YOLO系列算法[7]。这类算法直接通过卷积神经网络预测目标的位置和类别，摒弃了候选框的选取，因此在牺牲一定准确率的条件下，很大程度地提高了物体检测速率。

对于车辆检测来说，检测网络要尽可能地简单，模型必须容易部署，因此模型参数要尽可能地小。但不论是R-CNN系列的网络还是YOLO系列的网络，模型都很大，不利于模型的部署。除此之外，现有的目标检测主要集中在物体检测而不是更具体的车辆检测，如果将物体检测网络直接用于车辆检测，检测效果将会大打折扣。……