基于R-CNN模型的車輛檢測(cè)方法

　　車輛檢測(cè)是智能交通系統(tǒng)中一個(gè)不可或缺的重要環(huán)節(jié)，它能夠?yàn)榈缆方煌刂?、高速公路管理和緊急事件管理等諸多后續(xù)交通環(huán)節(jié)提供強(qiáng)有力的信息支撐，因此得到了研究者的廣泛關(guān)注。傳統(tǒng)的基于機(jī)器學(xué)習(xí)的車輛檢測(cè)方法通過(guò)方向梯度直方圖（ Histogram Of Gradients， HOG）和尺度不變特征轉(zhuǎn)換（Scale-Invariant Feature Transform，SIFT）等方法對(duì)車輛進(jìn)行特征提取，并將其提取到的特征輸入至支持向量機(jī)（ Support Vector Machine，SVM）、迭代器（AdaBoost）等分類器進(jìn)行車輛檢測(cè)。這類方法本質(zhì)上使用的是人為設(shè)計(jì)和制造的特征作為圖像表征的工具，需要研究人員具有相當(dāng)堅(jiān)實(shí)的專業(yè)知識(shí)和大量的經(jīng)驗(yàn)，設(shè)計(jì)過(guò)程較為主觀，缺乏理論的指導(dǎo)，不但耗費(fèi)時(shí)間精力，而且最終得到的特征也是參差不齊，難以適應(yīng)天氣和光線等條件的變化，泛化能力差。隨著交通環(huán)境的日趨復(fù)雜，采用人工設(shè)計(jì)特征的手段進(jìn)行車輛檢測(cè)越來(lái)越難以勝任。而深度學(xué)習(xí)的出現(xiàn)就解決了這一問(wèn)題，深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)對(duì)幾何變換、形變和光照等具有一定程度的不變性，并且可以靈活地在訓(xùn)練數(shù)據(jù)的驅(qū)動(dòng)下根掘不同的需求任務(wù)自動(dòng)地去學(xué)習(xí)有用的特征來(lái)幫助算法完成檢測(cè)和識(shí)別的任務(wù)。相比人工設(shè)計(jì)的特征，對(duì)目標(biāo)具有更強(qiáng)的表達(dá)能力。