改進深度可分離卷積的SSD車型識別

郭 融，王 芳，劉 偉

(太原理工大學 電氣與動力工程學院，太原 030024)

隨著人民生活水平的提高，汽車成了生活中人們常見的代步工具，在方便人們生活的同時，也造成了道路交通難以得到有效監管的問題。車型識別是電子不停車收費系統(electronic toll collection，ETC)的關鍵技術之一[1]，對道路上車輛的通暢行駛有重要的意義，在車輛違規行駛和被盜車輛追蹤等方面也有很高的應用價值。

傳統的車型識別方法依賴人工特征設計，例如利用梯度方向直方圖特征進行特征提取[2]，提取車輛目標后使用支持向量機分類器進行分類，應用場景單一且易受背景、光照等因素影響。深度學習作為一種特征學習方法，在經過簡單的非線性變換之后把原始數據變成更深層次、高語義的特征表達[3-4]，其特征是可以根據不同對象進行自適應權值調節，完成多種不同檢測任務。

2015年，Ren等[5]提出基于區域建議網絡(region proposal networks，RPN)的Faster R-CNN目標檢測算法，獲得了相較傳統方法更高的檢測精度，但其檢測速度較慢，只有5 fps。2016年，Redmon等[6]在CVPR會議上提出YOLO(you only look once)目標檢測算法，同年，Liu等[7]在ECCV會議上提出了SSD目標檢測算法。YOLO與SSD將預測邊框的任務變成回歸問題，在檢測速度方面有明顯提升，基本滿足實時要求。深度學習目標檢測算法已在車型識別領域有一定研究，文獻[8]將Faster-RCNN分別與ZF，VGG-16以及ResNet-101 3種卷積神經網絡相融合，可以針對不同的數據集選用最佳網絡進行車型識別。由于該方法對候選框進行了預分類，雖然車型識別的精度有所提高，但是檢測速度較慢。……