反卷积YOLOv3算法及其在刑侦领域的应用

胡明娣 许天倚 张中茂 杨 洁

(西安邮电大学通信与信息工程学院 陕西 西安 710121)(电子信息现场勘验应用技术公安部重点实验室 陕西 西安 710121)(陕西省无线通信与信息处理技术国际合作研究中心 陕西 西安 710121)

0 引 言

在侦破案件中，公安人员查取汽车作为犯罪工具的作案痕迹是调查犯罪事实的有力信息和证据。目前，车牌自动识别技术与市场需求的结合已很成熟[1-2]。然而，当车辆被用作犯罪工具时，车牌必然会遭受污损、遮挡和套牌等方法处理而无法被识别，此时就需要对车辆本身进行检测。公安人员刑事侦查时获取车辆图像的渠道主要有两个：一是高空架设的交通摄像头，二是车辆行车记录仪。犯罪嫌疑人驾驶车辆势必会有意识避开交通摄像头，因此可获取来自交通摄像头的车辆图像资料中，绝大部分嫌疑车辆呈现远距离小目标特点，并且图像拍摄时受光照、环境及噪声等影响，而行车记录仪获取的图像存在拍摄质量不稳定的情况。

基于深度学习完成目标检测任务的算法大致可以分成一步算法和两步算法两大类。两步算法主要为R-CNN[3]系列算法。具体地，R-CNN采用卷积神经网络提取图像特征，使用选择性搜索方法提取候选框，创造性地将CNN用于目标检测相关任务中，R-CNN系列的巅峰之作Faster RCNN[4]在PASCAL VOC2007测试集上的mAP达到73.2%，但是两步完成目标检测任务的算法受到建议框提取阶段计算复杂度的限制，与实时检测间仍存在巨大鸿沟。为了平衡检测效率与精度，一步目标检测算法被提了出来。……