马丽萍，贠 鑫，马文哲，张宏伟

(西安工程大学 电子信息学院，陕西 西安 710048)

0 引 言

道路车辆检测[1]作为智能交通系统数据前端采集的重要环节[2]，一直以来都是该领域的研究热点。而车辆检测算法对同视景中道路近、远端目标车辆的检测能力，将直接影响道路交通摄像头的使用效率[3]。因此，提高同帧图像内近、远端目标检测精度是智能交通系统中基于机器学习的目标检测算法的重要研究课题之一[4-5]。

基于机器学习的传统目标检测算法中[6]，文献[7]使用梯度直方图特征(histogram of oriented gradient, HOG)提取局部区域的边缘和梯度特征，再结合支持向量机(support vector machine, SVM)进行车辆检测；文献[8]采用哈尔特征提取图像的边缘、线性、中心和对角线特征，再利用SVM进行人脸检测；文献[9]提出将类哈尔特征与Adaboost分类器融合的识别算法，实现了对前方车辆的准确识别。但是，传统的目标检测方法主要依赖于人工获取有关的目标特征信息，人工特征提取阶段提取的特征优劣将直接影响整个算法的检测性能。而人工提取的特征只能描述目标的表象和形状，无法表达深层特征信息，且候选目标框数量较多，导致模型的泛化能力差，普适性低，计算量大，且在复杂多变的背景下，模型的鲁棒性较弱，限制了实际应用[10]。

基于深度学习的目标检测方法[11]，最早是文献[12]通过借鉴传统目标检测中的滑动窗口思想，提出的基于选择搜索的R-CNN目标检测框架。早期的目标检测算法均为Tow-stage目标检测算法，都是将目标检测问题分为候选区域提取和候选区域位置及类别预测2个阶段。……