摘要：隨著我國經濟水平的顯著提升，人口總數與機動車輛數量的配比度開始逐漸減小，機動車輛在給國民日常出行帶來方便快捷的同時，也帶來了交通事故、交通堵塞以及車輛違章等一系列社會問題。因此，對機動車輛進行合理有序的管理變得至關重要。然而，傳統的依賴人力模式來管理車輛已經難以適應當下的交通規模，因此引入車輛自動檢測技術并對算法展開詳細的研究具有十分重要的意義。

首先，本文介紹傳統車輛檢測技術的基本方法，比較其在不同場景下的檢測效果，評估其性能，針對傳統算法車輛檢測技術的不足，本文提出了使用深度學習提取圖像表達能力更強的深度特征；其次，本文提出基于Faster R-CNN的目標檢測算法進行車輛檢測，并對Faster R-CNN算法的VGG16特征提取網絡、區域建議網絡、分類以及算法訓練流程進行詳細的闡述；然后，本文根據Pascal VOC數據集的格式標準自制了車輛檢測數據集用于后期算法訓練以及測試；最后本文根據車輛檢測數據集中目標的特點，針對性的優化算法區域建議網絡模塊中anchors的比例以及尺度，通過在自制數據集上評估，表明改進后的算法有效提高了車輛檢測的準確率和召回率，也表明了本文所提算法改進思路的可行性。

關鍵詞：車輛檢測；深度學習；RPN；anchors

目錄

摘要

Abstract

1 緒論-1

1.1 課題研究的意義和目的-1

1.2 課題國內外研究現狀-1

1.3 課題研究內容-3

2 網絡模型-5

2.1 Faster R-CNN的整體框架-5

2.2 基于VGG16的Faster R-CNN網絡模型-6

2.3 卷積層-6

2.4 區域建議網絡（RPN）-9

2.4.1 錨點-10

2.4.2 softmax判定前景與背景-10

2.4.3 包圍盒回歸原理-11

2.4.4 建議框層-13

2.5 RoI 池化層-14

2.6 分類和回歸部分-14

2.7 Faster R-CNN網絡模型的訓練流程及原理-15

2.7.1 訓練Faster R-CNN模型的兩種方式-15

2.7.2 網絡模型的損失函數-16

2.8 車輛檢測流程-19

2.9 本章小結-19

3 數據集及其預處理-21

3.1 BIT車輛車型識別數據集-21

3.3 數據集的預處理-22

3.4 將數據制成PASCAL VOC2007數據集的格式-22

3.5 本章小結-23

4 訓練網絡模型-24

4.1 常見的深度學習框架-24

4.2 網絡模型的訓練與測試-25

4.3本章小結-26

5 評價指標與實驗結果分析-27

5.1 評價指標-27

5.2 實驗結果分析-29

5.3 本章小結-31

6 對網絡模型的針對性改進-32

7 總結-34

參 考 文 獻-35

致 謝-36