摘要：随着我国经济水平的显著提升，人口总数与机动车辆数量的配比度开始逐渐减小，机动车辆在给国民日常出行带来方便快捷的同时，也带来了交通事故、交通堵塞以及车辆违章等一系列社会问题。因此，对机动车辆进行合理有序的管理变得至关重要。然而，传统的依赖人力模式来管理车辆已经难以适应当下的交通规模，因此引入车辆自动检测技术并对算法展开详细的研究具有十分重要的意义。

首先，本文介绍传统车辆检测技术的基本方法，比较其在不同场景下的检测效果，评估其性能，针对传统算法车辆检测技术的不足，本文提出了使用深度学习提取图像表达能力更强的深度特征；其次，本文提出基于Faster R-CNN的目标检测算法进行车辆检测，并对Faster R-CNN算法的VGG16特征提取网络、区域建议网络、分类以及算法训练流程进行详细的阐述；然后，本文根据Pascal VOC数据集的格式标准自制了车辆检测数据集用于后期算法训练以及测试；最后本文根据车辆检测数据集中目标的特点，针对性的优化算法区域建议网络模块中anchors的比例以及尺度，通过在自制数据集上评估，表明改进后的算法有效提高了车辆检测的准确率和召回率，也表明了本文所提算法改进思路的可行性。

关键词：车辆检测；深度学习；RPN；anchors

目录

摘要

Abstract

1 绪论-1

1.1 课题研究的意义和目的-1

1.2 课题国内外研究现状-1

1.3 课题研究内容-3

2 网络模型-5

2.1 Faster R-CNN的整体框架-5

2.2 基于VGG16的Faster R-CNN网络模型-6

2.3 卷积层-6

2.4 区域建议网络（RPN）-9

2.4.1 锚点-10

2.4.2 softmax判定前景与背景-10

2.4.3 包围盒回归原理-11

2.4.4 建议框层-13

2.5 RoI 池化层-14

2.6 分类和回归部分-14

2.7 Faster R-CNN网络模型的训练流程及原理-15

2.7.1 训练Faster R-CNN模型的两种方式-15

2.7.2 网络模型的损失函数-16

2.8 车辆检测流程-19

2.9 本章小结-19

3 数据集及其预处理-21

3.1 BIT车辆车型识别数据集-21

3.3 数据集的预处理-22

3.4 将数据制成PASCAL VOC2007数据集的格式-22

3.5 本章小结-23

4 训练网络模型-24

4.1 常见的深度学习框架-24

4.2 网络模型的训练与测试-25

4.3本章小结-26

5 评价指标与实验结果分析-27

5.1 评价指标-27

5.2 实验结果分析-29

5.3 本章小结-31

6 对网络模型的针对性改进-32

7 总结-34

参 考 文 献-35

致 谢-36