基于AI芯片加速的卷积神经网络的车辆检测算法

张畅，陶青川

（四川大学电子信息学院，成都610065）

0 引言

随着目前社会经济快速发展，私家车的拥有量愈来愈多，城市的交通管理面临着一个严峻的挑战。城市的十字路口随着城市的建设越来越多，十字路口红绿灯时间的设置对通行的效率显得尤为重要，传统的红绿灯时间设置主要通过前端设备（路口监控）上传视频资料到中心端，然后通过人工去统计单位时间内的车流量从而为红绿灯时间设置提供依据。但是随着城市的高度发展，一个路口不同时间段车流量可能会发生较大变化，所以需要在不同时间段对红绿灯时间控制进行调整，如果还采用传统的人工分析，不仅成本巨大且信息分析不及时，无法达到最大的通行效率。

在智能视频监控系统中，车辆检测是一个很重要的应用模块。车辆检测由于它的大小、颜色、外形有一定的特点。传统的目标检测方法中，Paul Viola等人提出了级联分类器[1]第一次使得目标检成为现实。N.Dalal等人提出的方向梯度直方图（HOG）[2]用于检测；P.Felzenszwalb提出的基于可变部件的模型（DPM）[3]实现了级联结构并且在不牺牲任何精度的情况下实现了超过10倍的加速度。这些传统方法在应用过程中都存在准确率低并且鲁棒性差的问题。近几年，深度学习的兴起使目标检测进入了一个新的阶段。基于深度学习的目标检测主要分为两种：基于候选区域方法和基于回归方法。R.Girshick等人提出R-CNN（Region-CNN）[4]检测方法，在精度上有了大幅提高，但存在大量重叠的冗余特征计算，导致检测速度极慢。……