基于深度学习的实时车辆检测算法研究

当前，对运输的需求不断增长，随之而来的交通拥堵问题变得越来越突出。 如何自动及时检测车辆以分析道路交通信息是智能交通监控系统（ITS）的重要问题。 在一些用于检测车辆的现有方法中，不能同时考虑实时性能和精度。 因此，本文提出了一种实时性高，精度高的自动车辆检测方法。 该方法在以下几个方面改进了YOLOv2框架模型：引入了新的损失函数，扩展了网格大小以及优化了模型中锚点的数量和大小以自动学习车辆特性。 与YOLOv2，YOLOv3和Faster RCNN相比，该方法的精度和实时性能都有竞争性的提高。